近年来,乳腺癌在女性疾病中的发病率越来越高,同时也是导致女性死亡最严重疾病之一。为了有效并且及时地发现乳腺癌,提高患者的生存质量,越来越多的研究人员致力于乳腺癌图像的检测分析技术。在众多医学影像检测技术中,核磁共振成像是一种有效的乳腺癌检测工具。因此基于乳腺核磁共振成像(MRI)的自动肿瘤分割,是当今的研究热点之一。虽然深度学习技术在乳腺肿瘤图像处理方面有很多突破,但是仍然存在一些难点。基于乳腺肿瘤MRI分割的挑战主要包括以下两点:一方面,病灶区域与正常组织之间的大小严重失衡,属于类别不平衡问题;另一方面,正常组织与病灶之间相互重叠,会影响到检测结果。为了应对上述乳腺肿瘤分割的挑战,本文提出一种基于两级上下文增强残差注意力的多尺度密集编码-解码器(TLCRAM-MDED)。对于TLCRAM-MDED,在编码阶段中,本文将两级残差注意力模块(TLCRAM)与基于密集块的编码结构相结合,用以重复利用不同层的特征并且细化特征。同时,在编码器的末端使用多尺度信息感知模块替代传统池化,从而获得更大的感受野,丰富提取的语义信息,避免因为下采样操作而造成信息丢失。在解码阶段中,通过与编码器TLCRAM的输出形成的长连接,用于补充特征并逐渐恢复分割细节。同时,TLCRAM也用于解码阶段的特征优化。并且,针对解码器特征提取单元Dense Block的实现方式,采用新颖的Checkpoint共享内存技术,可以有效减少显存的消耗。最后将分割结果应用到乳腺肿瘤前哨淋巴结转移预测中,进一步验证病灶区域分割的准确性。本文在有挑战性的乳腺肿瘤MRI图像中,对所提出的模型进行验证,平均的Dice指标为81.04%。并且将检测结果与近年来提出的分割方法进行对比,在Dice系数等指标上TLCRAM-MDED有更优的结果。