超声诊断常作为乳腺肿瘤首选的影像学检查和术前评估方法,但其存在数据成像质量差、良恶性结节的图像表现重叠、诊断严重依赖医生经验和需要较多人机交互等问题。所以为减少误诊和不必要的穿刺活检率,以及提高诊断自动化程度,本文提出一种基于注意力机制和困难样本挖掘的端到端模型,实现乳腺结节区域自动分割及良恶性鉴别。首先,本文就超声图像散斑噪声和对比度低问题进行对比分析后,使用基于边缘增强的各向异性扩散去噪模型(Edge Enhanced Anisotropic Diffusion,EEAD)抑制噪声、模糊集增强算法拉伸图像对比度,之后基于注意力机制分割结节区域排除背景对后续分类操作的干扰,最后,针对乳腺结节良恶性特征交叉重叠问题,提出一个改进的损失函数以增强模型鉴别能力,通过组合形状描述符挖掘数据集中容易错判的困难样本(形态特征与其他类别相似的样本),为使该部分困难样本具有更好的区分性,本文应用改进的损失函数,并在此基础上构建困难样本形状约束损失,用来调整形状相似但类别不同样本间的特征映射,扩大不同类别间的决策距离。本文为验证上述算法的有效性,构建一个包含1805张图像的乳腺超声数据集,在该数据集上具有五年资历医生的平均判断准确率为85.3%,而本文方法在该数据集上分类正确率为92.58%,敏感性为90.44%,特异性为93.72%,AUC为0.946,均优于对比算法;相对传统Softmax损失函数,各评价指标提高了5%～12%。实验结果证明本文提出的端对端的乳腺超声图像分割及分类方法,实用性强;通过将医学知识融入网络模型,增加的困难样本形状约束损失可提高乳腺良恶性诊断的准确性和鲁棒性,各项评价指标均高于超声科医生,具有一定临床应用研究价值。