乳腺癌位于女性癌症之首,严重威胁了女性的生命健康。通常情况下,放射科医生可通过乳房X线摄影和乳腺超声检查发现乳腺癌活动的早期迹象。但是,乳腺影像的解读费时费力,并且要求医生具有丰富的诊断经验。近年来,计算机辅助诊断技术作为第二意见被引入至乳腺影像诊断中,为专家检查医学图像节省了大量时间,提高了诊断效率,避免了不必要的活检对患者造成的生理和心理伤害。尽管计算机辅助诊断技术在乳腺癌诊断中取得了良好进展,乳腺肿瘤的自动分割仍面临着一定问题。从数据层面来看,乳腺图像本身存在一定的干扰因素,如包含噪声、图像对比度低、形状各异和边界模糊等,这些因素对最终的预测结果有或多或少的影响;从算法层面来看,首先大多数自动诊断算法都是单任务模型,忽略了临床诊断中任务的相关性;其次,深度学习模型缺乏可解释性,这意味着模型预测的标签或类别不能被业内专家从专业角度进行解释。针对上述问题,本文对乳腺影像诊断算法展开研究。针对数据层面的问题,通过重建高分辨图像辅助肿瘤分割,并利用信息瓶颈筛选判别性特征,降低噪声干扰;针对算法层面的问题,通过多任务学习和信息瓶颈方法强化任务间的关联性和改善模型的可解释性;本论文的主要工作和创新点如下:（1）提出了一种采用高分辨率图像重建技术的辅助肿瘤区域分割模型。首先,通过傅里叶变换改进了隐式神经表征方法来学习连续的图像表示,从而重建高分辨率图像。接着,重建的高分辨率图像将按照肿瘤区域裁剪,并送入到分割模块辅助肿瘤的分割。与此同时,在分割网络中,引入信息瓶颈思想,加强了模型对判别性特征的筛选和表征,以改善分割结果。最终,模型在两种模态的乳腺数据集上进行了分析与评估,实验表明所提出的方法有助于提高模型的预测能力。（2）提出了一种基于信息瓶颈的可解释乳腺癌自动诊断算法用于乳腺癌的分类和肿瘤分割。具体而言,通过信息瓶颈方法最大化潜在表示和类标签之间的互信息,同时最小化潜在表示和输入之间的共享信息,以选择判别性特征,改善模型可解释性。此外,该算法实现了多任务学习,并进一步提出一种双重先验知识指导策略来增强深度任务相关性。本文在三个乳腺数据集上进行了评估,实验结果表明,该方法提高了乳腺癌分类和肿瘤分割的精度,针对预测结果生成的视觉解释能够在临床上帮助理解模型的决策。