癌症是人类常见的疾病之一,对人们的生命健康有着致命的威胁。随着现代医学发展,对可疑组织取样本检查,能够及早发现癌症。超声穿刺活检是一种常规、快速、安全、便捷、成本低廉的取样手段,因而被广泛的应用。刚性物体在超声成像中的特性,图像中活检针容易出现超声伪影和弯曲等问题,同时由于肌肉、筋膜等在超声图像中与活检针成像类似,容易让缺乏经验的医生操作失误。随着深度学习的发展,深度学习在各领域都有广泛应用,针对刚性物体固有的特性在超声成像中给医生带来的挑战,本文把深度学习应用到超声穿刺活检领域中,并对活检针引导与实例分割进行了研究。主要研究工作如下:一是基于深度学习的穿刺活检引导。针对超声成像中活检针伪影和弯曲的现象,以及传统方法检测时间长等问题,本文提出了一种基于深度学习的穿刺活检引导算法模型NLNet。模型通过特征金字塔提取图像不同深度的特征组合,并将特征组合分别映射至霍夫变换域,最后对各个特征组合在霍夫变换域的结果进行整合,使用连通区域匹配和取区域质心的方法得到输入图像中活检针所在直线的霍夫变换预测结果,进而使用霍夫逆变换实现图像中活检针标记。为了验证本文方法的可行性,本文联合医生对病人真实情景中穿刺活检图片中的活检针进行了标记,制作了适用于本文的NDL数据集。经过实验,发现使用Res Net18作为骨干网络模型具有最高性能,精确度为0.959,召回率为0.972,F1分数为0.965,F1分数大于0.95为0.845,帧率为76.61FPS。本文还对模型使用不同骨干网络的泛化性能进行了测试,实验表明,模型在活检针清晰且背景干净的场景下具有很强的泛化能力,但在活检针模糊及背景复杂的场景下仍然存在活检针无法检测的问题。二是基于深度学习的活检针实例分割。针对肉眼难以区分超声成像中高亮组织与活检针的问题,本文提出将超声穿刺活检视为一个实例分割任务,并提出了一种基于深度学习的活检针实例分割算法模型NDNet。模型首先使用特征金字塔提取图像不同深度的特征,构造两个特征组合,分别用于目标检测和语义分割子任务,最后将两个子任务结果叠加得到输入图像的实例分割结果。本文还联合医生对病人真实情境中超声穿刺活检图片进行了标记,制作了适用于本研究的ISND数据集。经实验表明,使用Mobile Net V2作为骨干网络模型具有最高帧率为87.89FPS,最高的Mask AP为35.97,最高的Box AP为45.31。本文还对模型使用Mobile Net V2作为骨干网络的泛化能力进行了测试,实验表明,本文提出的方法适用于实时超声穿刺活检针实例分割,同时也存在一定的问题值得未来研究。