乳腺癌2021年全球新发病例数高达226万例,居女性恶性肿瘤疾病发病率第一位。乳腺病灶是乳腺中局部发生病变的部位,需要医生对其进行进一步诊断分析。利用计算机技术能够辅助医生进行病灶识别,节省医生的时间和精力。在众多乳腺癌检测方法中,超声检测凭借其无辐射、价格低廉等优点得到广泛使用,然而超声成像结果图像质量差,并且不可避免地存在噪声和伪影。传统方法利用单图分割技术对乳腺病灶进行分割,分割效果较差。随着深度学习的发展,利用神经网络方法对乳腺病灶进行分割成为目前的研究热点。本文针对乳腺超声图像的图像特点,对Attention U-Net网络结构进行改进,旨在提高网络模型乳腺病灶分割精度。本文主要研究内容如下:1.根据临床乳腺超声图像的图像特点,提出了一种边缘信息融合模块。Canny边缘检测算法和HPF高通滤波器能够较好地提取图像边缘信息,将这两种算法得到的图像边缘信息加入到网络的边缘信息融合模块中,使网络能够充分学习图像的边缘纹理信息,改善由于图像边缘模糊导致分割结果差的问题,提高网络对于乳腺病灶边缘的分割准确性。2.使用可变形卷积替换编码路径中的部分普通卷积,增强网络对于各种类型乳腺病灶的分割自适应性。可变形卷积能够根据目标对象自动调整感受野,改善特征提取效果,有效提高网络对不同大小、尺寸乳腺病灶的分割精度。3.通过在网络中引入结合TV正则项的ReLU激活函数,使网络在训练过程中能够结合图像像素间的空间信息,得到更好的局部最优解。同时,在激活函数中结合正则项能够防止网络模型出现过拟合情况,加快网络收敛速度。为验证模型的实用性和可行性,本文将包含780张真实临床乳腺超声图像的公开数据集作为实验数据集,采用五折交叉验证进行乳腺病灶分割实验。在数值实验中,本文分别进行消融实验和与其他网络的对比实验,并利用多项语义分割网络评价指标对病灶分割结果进行分析说明。数值实验结果显示,本文提出的AC U-Net网络综合分割性能较好,其中DSC指标和IOU指标相较于改进前分别提高了4.2%和7.8%,病灶分割结果与医生标注结果接近。