史健婷，崔闫靖，常 亮

(黑龙江科技大学 计算机与信息工程学院，黑龙江 哈尔滨 150022)

0 引 言

乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。调查数据表明，乳腺癌是女性恶性肿瘤发病率最高的病症。乳腺癌的防治关键在于早发现、早诊断，及时治疗将提高患者的治愈率和存活率。目前有多种检测癌症的方法，其中乳腺超声检测技术因为成本低以及性价比高的特性，逐渐被大众接受。随着计算机技术的快速发展，计算机辅助诊断(CAD)参与到诊断过程中，为医生提供参考，使结果更加具有准确性以及客观性，不仅可以降低误诊率，也提高了效率。

早期乳腺超声图像分割算法多是利用统计学的知识来处理图像，算法对于图像的质量没有太多要求，但是分割效果不好，速度较慢。基于深度学习的图像分割算法可以自动提取图像特征，分割效果有明显的提高。U-Net深度学习模型由于对数据量要求的特性，多被应用于医学图像的分割。肿瘤在超声图像中一般表现为低回声区，因此乳腺超声图像具有斑点噪声较多、边缘模糊不清、灰度不均匀等特性，增加了肿瘤的分割难度[1]，采用传统的U-Net模型难以取得满意的分割效果。

为此，文中研究了近几年的乳腺超声图像分割技术，并对各种分割方法的优缺点做了对比分析，提出了一种新的分割方法。为了提高图像质量，在图像预处理时加入高斯滤波线性滤波器来抑制超声图像的噪声，平滑图像，在一定程度上提高训练模型的鲁棒性和适应性。……