乳腺癌在全球已经成为一种非常严重的影响女性健康的疾病。研究发现,尽早发现和尽早治疗能够极大的挽救乳腺癌病人的生命。由于地区医疗水平不同和医生经验多少的影响,乳腺癌的诊断仍面临着许多问题。利用乳腺超声影像可以辅助医生进行乳腺癌的诊断,为了排除医生的经验和能力对最终诊断结果的影响,人工智能可以对超声影像进行辅助分析。其中,乳腺超声图像的分割的准确性对于人工智能的辅助能力有较大影响。大部分研究者都只是集中在对乳腺超声图像进行分割的过程,而图像所能提供的信息是非常有限的,视频可以提供很多补充信息和变化信息,对判断肿瘤的位置和肿瘤的边界可以起到促进作用,医生判断肿瘤的状况也是根据整个乳腺超声视频的变化过程来给出判断的,所以在本论文中采用对乳腺超声视频的语义分割进行研究。本论文首先通过利用光流特征的方式将图像的语义分割与视频的前后帧结合在一起,提供更多的视频帧的特征的补充,之后对现有的语义分割进行了分析及改进。针对现有的语义分割模型不能很好地分割边界区域问题进行改进。肿瘤的边界对区分肿瘤的情况是非常重要的信息,所以现有的语义分割模型对边界区域分割不准确是不可接受的。本论文通过更改损失函数的方法可以将边界区域分割的更好。针对特征图在解码器中向上传递时会导致大量的高层的抽象的特征的丢失的问题进行改进。需要充分利用中间的特征图来指导最终语义分割结果的生成,本论文采用了深度监督的方法,同时,深度监督的方法也可以进一步帮助进行肿瘤的边界的定位和分割。针对数据集严重不足的问题进行改进。医疗图像和视频的获取是非常困难的,而且像素级的标签的制作也是耗时且昂贵的,这就导致现有的有标签的数据集是非常稀少的,但是深度学习在数据量很少的情况下容易发生过拟合,只有在数据量足够多的时候才能发挥出深度学习真正的能力。为了确保在数据集不足时,模型网络对语义分割结果的预测也可以达到很好的效果,本论文引入了迁移学习来解决这个问题。经过上述的改进之后,就得到了用于乳腺超声视频的分割的最终模型网络。其结果与基础模型网络相比,准确性在整体上和肿瘤区域都有提升,其中在肿瘤区域的准确率提升了2%左右。