乳腺癌作为一种在女性群体中发病率以及死亡率都非常高的疾病,对于众多女性有着很大的健康威胁。在DCE-MRI众多应用中,定量化描述乳腺肿瘤二维直径和三维体积具有很重要的临床价值,例如新辅助化疗通过判断不同时期肿瘤病灶区域二维直径和三维体积的变化来评估治疗的效果和对治疗的反应以指导患者的后续治疗。肿瘤区域的自动分割是也是定量评估乳腺恶性肿瘤程度的关键组成部分,比如通过运用影像学定量分析肿瘤区域二维或三维的形态,肿瘤区域内的纹理等等特征,这些都非常依赖于肿瘤区域的二维或三维分割。然而,目前大部分影响学的研究所得到的精准的肿瘤区域分割仍然依赖于医生手动标记,这对于医生来说耗时耗力。因此研究肿瘤区域的二维和三维自动分割算法对辅助医生的诊断和治疗以及影像学研究都具有重要的作用。目前影像学研究主要根据医生手动标记的肿瘤最大横截面来分析,朝着这个目标,本文首先提出了一种基于深度卷积神经网络的方法实现了乳腺肿瘤最大横截面的二维分割,该方法通过深度检测网络先粗检测出乳腺肿瘤的大致区域,然后将这个区域提取出来送入深度分割网络进行精准分割。该方法在260张二维测试集中的平均Dice系数为0.81,平均特异度为0.78,平均灵敏度为0.86。为了进一步验证自动分割结果能够为后续影像学研究提供帮助进行了部分相关实验。实验表明,利用自动分割进行分析与利用手动标记进行分析的结果基本一致,这说明该方法能够给后续影像学研究提供高质量的乳腺分割数据。尽管本文提出的二维分割方法在最大横截面可以取得较好结果,但是二维的肿瘤区域仍然不能更加全面地反应肿瘤区域的形态,所以本文进一步基于空洞卷积模块提出了三维卷积网络A-Net实现了乳腺肿瘤的三维分割。该方法在22张测试病例的平均Dice系数为0.82,平均VOE值为0.11,平均ASSD值为0.85,平均aRVD值为0.10,较3D U-Net和V-Net都有着很大的优势。本文研究的乳腺肿瘤的二维分割和三维分割算法可以为乳腺影像学研究以及为人工智能辅助乳腺肿瘤的诊断和治疗以及预后系统的建立提供有效的解决方案。