基于神经网络深度学习甲状腺结节的分割与识别的国内外研究现状，具体到文献

甲状腺结节的分割与识别是近年来医学图像处理领域的热点研究方向。下面列举一些国内外相关的研究文献：

1. “A Deep Learning Framework for Thyroid Nodule Segmentation and Classification” (IEEE Transactions on Medical Imaging, 2019)。该文献提出了一种基于深度学习的甲状腺结节分割和分类框架，使用U-Net网络进行分割，使用卷积神经网络进行分类，实验结果表明该方法具有较高的准确率和鲁棒性。

2. “Thyroid Nodule Detection in Ultrasound Images Using Deep Convolutional Neural Networks” (IEEE Journal of Biomedical and Health Informatics, 2018)。该文献提出了一种基于卷积神经网络的甲状腺结节检测方法，通过对超声图像进行预处理，使用卷积神经网络进行检测，实验结果表明该方法具有较高的准确率和鲁棒性。

3. “Thyroid Nodule Segmentation Using a Convolutional Neural Network on Ultrasound Images” (Ultrasound in Medicine & Biology, 2017)。该文献提出了一种基于卷积神经网络的甲状腺结节分割方法，通过对超声图像进行预处理，使用卷积神经网络进行分割，实验结果表明该方法具有较高的准确率和鲁棒性。

4. “A Deep Learning System for Thyroid Nodule Detection and Diagnosis” (IEEE Journal of Biomedical and Health Informatics, 2016)。该文献提出了一种基于深度学习的甲状腺结节检测和诊断系统，使用卷积神经网络进行检测和分类，实验结果表明该系统具有较高的准确率和鲁棒性。

以上文献仅是部分相关研究的代表，随着深度学习技术的不断发展，甲状腺结节的分割和识别研究也将会不断进步。