目的:乳腺癌作为目前全球发病率最高且死亡率排名第五的癌症,受到了全社会的高度关注。医学影像检查是临床上乳腺癌早期筛查及诊断最重要的手段,准确的影像学诊断需要医生具备丰富经验累积,且诊断过程中会耗费医生大量的时间和精力。随着人工智能技术的发展与快速进步,深度学习等智能算法可提取医学图像中包含的大量语义信息,近年来被逐渐应用于医学图像处理方面,并体现出良好的技术优势和应用价值。超声影像是乳腺癌筛查手段的首要选择之一,腋窝淋巴结的乳腺癌转移状态对乳腺癌的诊断及预后都起着重要作用,其超声影像的准确分割有利于乳腺癌临床诊断。一方面,目前临床直接通过超声图像征象预测腋窝淋巴结转移状态费时费力,基于传统方法的计算机辅助诊断准确率还有待提高,深度学习等人工智能算法在其超声影像诊断方面的应用比较少见。另一方面,医学影像智能诊断系统在医院的应用也具有重大的潜在需求和应用价值。综上,本文基于深度学习技术,研究实现一个乳腺癌超声图像智能诊断的系统,以实现乳腺癌相关图像的高准确率智能诊断,为临床医生标出感兴趣区域,提供诊断参考,从而减少阅片工作量,提高诊断工作效率,具有重要的研究意义和应用价值。方法与结果:本文设计并实现了一个基于超声图像的乳腺癌智能诊断系统,该系统除满足基本日常工作外,还具有智能辅助医生临床诊断的功能。在系统的图像智能诊断功能方面,主要实现了感兴趣区域的分割任务及预测乳腺癌超声图像腋窝淋巴结是否转移的分类任务。其中,在分割任务方面,本文基于U-Net算法设计了U-Net-MDSC算法,该算法在原始网络结构上加入了密集跳连接结构,旨在提高网络模型的特征提取能力,避免在下采样过程中丢失更多的语义信息;针对本文超声图像实验数据集本身尺寸小、质量低等特点,本文将最后一层下采样结构做了部分剪枝操作,实现了在不影响准确率的前提下,提高本文网络模型训练的速度,减少了训练参数和时间,最终该模型的Dice系数达到了0.903,与其他同类网络相比结果最高。在分类任务方面,首先,本文算法首次将卷积块引入乳腺癌超声图像分类网络模型中,该卷积块结构形状为倒置的瓶颈结构。其次,针对此类超声影像数据较少且两种类别不平衡的问题,使用迁移学习将在其他大量数据训练过的模型参数转移到本文实验数据上,经过参数调整后,本文的分类网络模型的准确率、灵敏度、特异性结果分别达到了93.8%、94.9%及94.8%,与同类使用迁移学习的分类算法相比,其结果最好。最后,以上两个任务在Tensorflow深度学习框架中实现,对比实验中均取得了最好的效果,验证了本文两种算法的可行性及其优势。另外在智能诊断系统设计方面,本文设计了针对于医生、患者和管理员三种用户需求分析的界面,并基于模块设计原则设计了数据管理模块及智能诊断模块,分别实现数据库的管理及智能诊断功能。具体来说,界面设计及其他功能设计使用的工具包为Python与Qt结合的PyQt应用程序开发框架;数据库设计方面,使用SQLite及其Python接口建立三种用户的数据库。最终,系统测试结果显示本文所设计的三种用户子系统功能全部实现,系统整体具有简洁、易操作的特点。结论:首先,本文设计的深度学习分割算法的结果表明,对网络加入密集跳连接等改变是有效的,智能诊断系统可准确地为临床医生提供乳腺癌感兴趣区域的标注。其次,特殊的卷积块及预训练的模型参数在分类网络上取得的优异结果表明,本文的智能诊断系统可辅助医生对乳腺癌是否有腋窝淋巴结的转移进行预测。以上结果均证明了本文的深度学习算法在乳腺癌超声图像上应用研究意义,因此,通过本文所设计的智能诊断算法及应用系统,临床医生能够获得高准确率的诊断结果,该系统也大大降低了医生的日常工作负担,提升了其工作效率;患者可便捷地在系统内获取自己的诊断报告;简单易学的操作语言及数据库设计也降低了管理员的维护及管理成本。