目前,乳腺癌已经成为女性健康的最大威胁之一,早诊断、早治疗是治愈乳腺癌的关键。超声图像是乳腺癌早期辅助诊断的有效手段。然而,基于超声图像的乳腺癌自动分类任务仍然面临两个主要的挑战:(1)光照、成像设备参数等因素将会导致乳腺肿瘤图像存在较大的类内差异性,容易导致分类错误。(2)实际操作中,标注大量的乳腺超声肿瘤图像是很困难的。这使得研究工作只能在尺寸较小的标注样本集上开展,从而容易带来模型过拟合问题。针对上述问题,本文重点进行了小样本条件下乳腺肿瘤图像的鲁棒分类关键技术研究工作。主要内容如下:本文研究了一种新的局部参考相似性编码(Local Reference Similarity Code Network,LRSCnet)网络。首先引入基于类别的距离损失函数,构建新的局部结构提取器,用于学习包含类别信息的局部参考。其次,提出了一种层次编码器,包含相似性学习模块和局部—全局转换模块。在第一阶段,相似性学习模块通过引入神经网络来学习局部图像块与局部参考之间的局部关系。在第二阶段,局部—全局转换模块将局部关系描述进一步转换为局部参考相似性编码,可用于描述图像与局部参考的全局关系。最后,构建了基于阈值的自匹配层,能够基于获得的局部参考相似性编码直接得到最终的分类结果。在提出的网络中,局部结构提取器学到的局部参考能够更为有效地描述肿瘤的局部特点,且具有一定的类别信息。层次编码器学到的编码能够测量整幅图像与所有局部参考之间的相似性关系,从而描述更为全面的局部结构信息,因此,对局部类内差异具有一定的鲁棒性。另外,获得的编码是一种包含类别关系的高级特征描述,其长度较短,降低了特征的复杂度。因此,学习到的相似度编码包含更多有效的信息,并且更简单,能有效避免过拟合问题。最后,提出的自匹配层去除了费时的距离匹配、分类阶段,提高了匹配速度。在包含186张乳腺超声图像的数据库上(良性肿瘤超声图像有135张,恶性51张,分别来自不同的患者)进行了实验,ACC、AUC、Sen、Spec、PPV和 NPV 分别达到了 0.9776,0.954,0.9629,0.93,0.9774,0.909,均优于传统的分类算法,实验结果证明了提出的方法的有效性和鲁棒性。本文的研究工作丰富了小样本条件下鲁棒的肿瘤分类的技术手段,并进一步提升了乳腺癌诊断的正确率。