乳腺癌是一种对女性危害极大的癌症，临床上迫切需要一种精确、高效、自动的图像分割方法来检测乳腺病灶区域，减轻医生的负担，减少误诊漏诊的情况。本文以安全且灵敏度高的超声图像作为研究对象，采用医学图像领域应用越来越多的深度学习技术，对乳腺肿瘤病灶区域进行语义分割研究。乳腺肿瘤语义分割方法能有效辅助医生诊断病情，开展手术与治疗计划，具有较大的研究意义。
　　研究过程中发现乳腺病灶区域分割精度受限于超声图像的质量以及典型样本的数量，经典的深度学习模型在乳腺肿瘤分割任务上存在特征信息损失严重、特征融合效果较差的问题；同时由于卷积运算存在非全局感受野，无法获取长范围的上下文信息，影响边缘分割；最后是网络模型参数较大，存在过拟合的风险。针对上述问题，本论文进行了以下四个方面的研究工作：
　　1.针对超声图像质量较差，数据集较小的问题。本文使用图像预处理和数据增强的方式，改善图像质量，扩充图像数量，有效避免了因为图像质量较差影响分割精度以及数据集较小带来的过拟合问题。
　　2.针对Unet网络存在的特征信息损失较大，特征融合效果不佳的问题。本文提出了能有效减少特征信息损失和改善特征融合效果的DsUnet网络，实验结果证明，该方法能有效提高乳腺肿瘤语义分割精度。
　　3.针对卷积运算的局部感受野难以获取全局相关联信息的问题。本文设计了基于空间和通道的注意力机制模块，通过获取其余像素(或通道)对当前像素(或通道)的相关联性，构建注意力矩阵，得到全局相关联的上下文信息。有效改善边缘分割困难问题，并明显提高分割精度。
　　4针对模型参数较大的问题，本文改善了DsUnet网络结构，设计了轻量化网络结构tiny-DsUnet网络，在可接受的精度损失内减少一半的模型大小，有效避免过拟合的风险。