李林翰

（四川大学计算机学院，成都610065）

0 引言

乳腺癌是现如今最为常见的癌症之一，对于乳腺癌的早期诊断是极其重要的。相较于X 射线和活检来说，超声诊断具有安全、灵活、无创等优势，因而被广泛应用。医生可以根据乳腺超声图像进行诊断肿瘤的良、恶性，此过程主要依赖于医生的专业能力而会存在一定得误诊，因此提供标准且智能的模型来辅助医生判断乳腺超声图像中肿瘤的良、恶性是不可或缺的。

因为拍摄设备、隐私、数据处理等因素，标准的乳腺超声图像数据量有限，同时某些罕见的乳腺肿瘤可用数据量极少，因此对于乳腺超声图像小样本学习的研究是十分关键的。并且医学图像间极高的相似性，也可由超声图像迁移至其他类型的医学图像去解决新型突发时的需要，例如新冠肺炎早期CT 影响的判断。

深度学习在医学图像处理等领域因其极好的效果而发挥着非常重要的作用[1-3]，但是其都依赖于大量数据训练，当数据缺乏时，深度学习模型极易过拟合。本文针对样本量有限的问题，结合少样本学习（few-shot learning）思想[4-5]和图神经网络[6]提出了基于可池化的图神经网络的小样本乳腺超声图像良、恶性分类模型，充分发挥少样本学习在小数据处理方面的优势，以及借助图神经网络的度量学习方法来处理相似性极高的医学图像。

1 基本概念

1.1 少样本学习

少样本学习主要对数据采样得到多个任务T，T 包含S 和Q，前者是有标签的训练数据，后者是无标签的测试数据。……