根据2021年发布的最新统计结果,在所有确诊癌症病人中,乳腺癌的发病率占比第一,并逐渐成为最主要的致死原因之一。采用超声CT对病人进行乳腺癌检查,由于具有无辐射、实时性强、无挤压和对致密性乳腺灵敏度高等优点,有望成为乳腺癌筛查的一种新兴、可靠的筛查方式。考虑到采集腔内含有水和气泡,在超声CT图像中可能会存在大量的背景噪声,从而对三维成像和后续的临床诊断产生干扰和影响。因此,需要把图像中的受检区域和背景区域分割开,但是人工的分割费时费力,增加了医生的负担。因此,研究一种可靠的超声CT图像背景自动分割算法具有重要的应用价值。深度学习（Deep Learning）方法目前在图像分割任务中表现突出,是非常流行的分割算法。研究使用深度学习的强大特征提取能力来进行超声CT图像的背景分割是可行的,并且对于后续的计算机辅助诊断（Computer Aided Diagnosis,CAD）也具有重要意义。本文对采集到的原始超声CT图像进行人工标注,构建训练数据集。其中,包括12名志愿者的乳腺超声CT图像和2名研究人员的手臂手掌超声CT图像。为了解决数据集偏少问题,使用数据增强方法可有效扩充数据集的样本量。作者使用了三种卷积神经网络（Convolutional Neural Network,CNN）:UNet、UNet++和CBAM-UNet进行超声CT图像的背景分割,其中CBAM-UNet是对UNet的改进,结合了由通道注意力和空间注意力构成的卷积注意力模块（Convolutional Block Attention Module,CBAM）。另外,本文还提出了使用自然语言处理领域流行的Transformer结构替代传统卷积下采样的Transformer UNet。通过对比图像分割结果以及计算定量的评价指标,结果表明在三种卷积神经网络中,UNet++的分割性能最佳,但是训练时间较长;CBAM-UNet在分割结果主观评价结果上优于UNet,但是客观定量评价指标上稍差。Transformer UNet网络的分割结果优于这三种卷积神经网络,证明了本文提出的Transformer UNet模型可以在图像分割任务中更好地提取图像特征,并且具有优越的迁移学习能力。