淋巴瘤是起源于淋巴造血系统的恶性肿瘤,是血液肿瘤中发病率最高的类型。对于疑似恶性淋巴瘤的筛查手段有很多。近年来,先进超声检查技术在临床上的应用,为淋巴瘤的诊断提供了更加便利的条件。高分辨率超声能显示淋巴瘤的大小、形态和内部回声结构及其变化,提供丰富的诊断信息,临床医生可以凭借其镜下超声表现筛选出疑似细胞进而通过穿刺活检获得明确的病理诊断。但对于临床经验较为缺乏或非肿瘤科领域的医生来说,镜下筛选过程相对困难且容易出现误判、漏判的情况。此外,在很多疾病的影像诊断中,尤其是病理学显微镜影像,医生之间的诊断一致性非常低。所以在临床中,医生通常需要获得补充性意见作为参考。近几年来大量的工作致力于图像字幕任务,这是一个融合计算机视觉、自然语言处理和机器学习的综合问题,旨在根据图像给出能够描述图像内容的自然语言语句。随着机器学习和深度学习技术的发展,越来越多的学者开始探索如何为医学影像自动生成影像描述。医学影像描述的自动化生成可以大大加快工作流程,提高医疗保健的质量、促进其标准化。如肺炎和气胸等放射学或病理图像的影像描述工作,在医院诊断过程中已经被广泛应用。这是一个相对静态的过程,医生只需要关注检测中筛选出的典型案例或最终影像。不同于之前的工作,本研究期望为超声科医生镜下所见的每一帧影像图片,实时动态的生成相应的视觉描述,为淋巴瘤的筛查提供帮助。本文具体做出了如下几个方面研究工作:（1）提出了一个基于的Transformer模型的淋巴瘤超声影像描述生成模型。基于序列结构对输入的淋巴瘤超声影像生成影像描述。其次,在模型结构中引入记忆机制,在生成过程中隐式地对影像描述中的语义信息进行建模和记忆,从而可以提升Transformer的解码效果,并能够生成有意义且包含语义信息的影像描述。最后,提出将深度稳定学习融入到模型中,通过训练样本的学习到权重去除特征之间的依赖关系,使模型更加关注淋巴瘤而不是软组织背景。（2）本文对淋巴瘤超声影像描述生成模型的稳定性与可解释性进行了研究,通过基于随机傅里叶特征的稳定性分析和基于Soomth Grad的梯度分析法验证本文提出模型在淋巴瘤数据集上的稳定性。此外,模型通过可视化解码器中的交叉注意力层的注意力图的方式来对预测影像描述进行可解释分析。（3）最后,本文设计并实现了淋巴瘤超声影像描述辅助生成系统。采用Spring Boot框架构建本文系统后端,使用Vue来构建系统前端页面。系统结合模型特点并根据临床医生需要实现了影像描述生成、可解释分析等功能。