乳腺癌已经成为了女性致死率最高的癌症之一,近年来中国的乳腺癌发病率在持续上升。临床数据表明,早发现早治疗将大幅度提升患者的生存率。乳腺超声影像技术凭借着自身价格低廉和安全无侵入的特点逐渐成为乳腺癌诊断的主流方式。计算机辅助诊断系统的出现可以更好的辅助医生进行阅片和诊断,降低误诊率和漏诊率,在提升诊断的客观性和准确性方面效果显著。基于深度学习的乳腺超声图像分割技术在近年蓬勃发展,其精度已经远超传统方式,但仍有不足之处。目前主要存在以下问题,首先,对于单目标肿瘤分割,由于超声图像整体上对比度较低、噪声较强,且图像中常存在与肿瘤相似的低回声区域,容易出现分割结果偏移或错位的情况,同时分割结果较为粗糙,其边缘不够精细。其次,对于多目标肿瘤分割,当多个肿瘤目标距离较近时,模型难以将对象之间边界清晰分离,常导致其彼此粘连为一个整体;当肿瘤相距较远时,大多数模型只能分割出其中一部分目标,缺乏全局视野,易出现漏检情况。最后,主流模型在多尺度肿瘤检测问题上的表现不尽人意,图像中尺寸较小的肿瘤存在较高的漏检率,对于尺度较大的肿瘤则难以较好的实现完整分割。为了解决上述问题,本文针对于乳腺超声图像肿瘤自动分析任务,提出一种基于医学先验知识的多目标、多肿瘤分割方法。该方法在Mask R-CNN基础上分别对模型的输入模块、定位模块和输出模块做出了改进。本文方法可以全自动的定位并且分割出乳腺超声图像的肿瘤区域,主要研究工作可总结为以下方面:(1)改进特征金字塔网络(FPN)提升了模型的整体表现。首先修改了候选区域生成网络中锚框的尺寸以匹配乳腺超声图像数据集,使用小波变换与弹性形变来进行图像增强,以此形成具有良好表现的基线模型。针对FPN中输出的特征图金字塔层与层之间的关系,将五层输出进行特征融合均衡化,有效地将高层的语义信息同低层的位置信息融合起来,使每层具有相对均衡的特征信息,提升了模型的平均精度。(2)提出多尺度适应的乳腺超声肿瘤识别方法。首先结合相位一致性原理进行乳腺层定位,利用背景显著性生成肿瘤位置预测概率图,再将其与基线模型的概率图输出融合,得到经过医学先验知识约束后的肿瘤分割结果。然后使用空洞卷积替换候选区域生成网络(RPN)中的卷积层,再堆叠五层不同膨胀率的卷积构成层级金字塔RPN结构,增大感受野的同时使参数量保持不变,五路并行单独训练的方式能更好的感知到不同尺寸的目标,有效提升本模型在多尺度肿瘤分割问题上的表现,其中对小肿瘤检测准确率的提高约为2%。最后模型接入了全连接条件随机场进行协同训练,一定程度上改善了分割结果对于细节的表达,使其更加精细化。