乳腺癌已经成为了女性致死率最高的癌症之一,每年上百万的女性遭受乳腺癌的折磨。如果能够在早期发现乳腺癌并接受有效治疗,患者存活率将显著提升。目前癌症检查的措施有多种,但是乳腺超声检测技术凭借其低成本和高性价比的特点,逐渐被广泛采纳。伴随着计算机技术的发展,计算机辅助诊断(CAD)成为了辅助医生诊断的重要方法,在提升医生诊断准确性和客观性,避免误诊和提高效率方面起到了重要作用。目前的乳腺超声CAD系统主要是通过处理乳腺超声图像,分割出乳腺中的肿瘤部位,主要分为半自动和全自动分割两种。目前常用的方法大多数是半自动的,这种方法通过人工选定种子点或者标注感兴趣区域的方式完成分割,在大批量数据情况下势必会增加医生负担和误诊率,很难实现大规模推广。全自动分割方法几乎不需要人工参与,但是在分割过程中仅仅分割出单一的肿瘤区域,忽略其他乳腺组织对医生诊断的帮助。在医生实际诊断过程中,除了肿瘤的位置、纹理和形状是主要参照目标外,乳腺中的皮肤层、脂肪层、腺体层和肌肉层也会作为辅助参照目标。因此,目前的全自动分割方法,没有全局性地考虑到其他组织对于医生诊断的影响,分割能力有限。针对上述问题,本文结合卷积神经网络在图像语义分割方法方面取得的进展,提出了基于全卷积网络的乳腺超声图像语义分割方法,该方法能够全自动的分割出乳腺超声图像中的相应组织,主要研究工作由以下两部分构成:(1)本文首先选定Alex Net网络结构作为全卷积网络的基础网络结构,该网络有深度较低和结构简单的特点,在本文样本不足的情况下有优异的表现。其次针对本文中乳腺超声样本不足的缺陷和超声图像本身特点,提出了使用小波变换的方法增强图像,并通过旋转和翻转的方式扩充数据集。网络训练则结合全卷积网络和数据集样本各自身特点,采用相同的训练参数,针对不同区域单独训练和分割,最后通过整合不同组织的分割结果,完成了乳腺超声图像的语义分割。(2)借鉴全卷积网络中的跳跃结构思想对Alex Net进行改进,并结合全连接条件随机场进一步提升分割精确度。由于卷积网络中卷积和池化的影响,改进前的全卷积网络模型分割结果比较粗略,在具体部位的细节表达上不够精细,错误分割的区域较多。本文借助跳跃结构的思想,让Alex Net网络中局部归一化响应层的输出和最后的输出进行融合,弥补卷积池化操作带来的损失,并采用相同的训练策略,提升分割精确度。其次,针对全卷积网络本身缺乏空间一致性和忽略像素之间关系的不足,本文使用全连接条件随机场进行优化。全连接条件随机场以改进后模型输出的概率图作为一元能量项,原图的像素值和像素位置构建二元能量项,通过平均场近似方法求解能量最小化的方式得到最优分割结果。