目的 甲状腺结节的精准分割在医学影像处理中具有重要意义，然而，超声图像中的结节通常具有尺寸多变和边缘模糊的特点，这为其准确分割带来了挑战。为有效应对这一挑战，本文提出了一种结合卷积神经网络（convolutional neural network，CNN）和Transformer的分割网络，命名为TransUNet，旨在实现对甲状腺结节超声图像的精准分割。方法 首先，使用卷积神经网络对超声图像进行编码，以生成特征图。接着，将特征图转换为序列向量，并利用Transformer的编码机制来捕捉上下文信息。此外，为保持局部细节特征的完整性，研究组还引入了跳跃连接，将其用于在解码器中对编码特征进行上采样，这对于处理边缘模糊等问题尤为重要。结果 通过在甲状腺结节图像分割任务中进行广泛的实验，验证TransUNet的有效性。具体而言，骰子系数（dice coefficient，DICE）为075，交并比（intersection over union，IoU）为060，F1分数（F1 Score）为072，准确率高达093，AUC（area under the ROC curve）为091。这些性能指标反映了该方法在处理尺寸多变和边缘模糊等挑战方面的出色表现。结论 本文提出的TransUNet为甲状腺结节超声图像分割任务带来了显著的性能提升。相较于传统的UNet方法，TransUNet不仅更好地处理了尺寸多变和边缘模糊等挑战，而且在分割性能上具有更为出色的表现，为医学图像处理领域的进一步研究和临床应用提供了有力支持。