乳腺癌是最常被发现的癌症之一，它威胁到女性的健康和生命。早期准确的疾病诊断在癌症治疗中起着重要作用。临床研究表明，如果在早期阶段检测到癌症，它可以相对容易地治愈而不会对患者造成太大伤害。超声成像是检测乳腺癌的一种方法。医疗超声波使用人体无法听到的高频声波(＞20,000Hz)，将脉冲发送到人体组织中并以不同的属性反射回来被记录并显示为图像，是一种观察人体内肿瘤和其他异常等疾病的便捷工具。本文的主要任务为减少癌症诊断中的错误，使医用计算机可以自动发现肿瘤区域及周围组织结构。
　　实现此任务的一种方法是应用图像语义分割。图像语义分割不仅可以计算对象位置，还可以确定其所属类别。分类模型用于计算每个像素的概率分布，以优化结果进行准确分割。
　　本文首先总结了国内外图像分割的研究现状，然后提出了图像语义分割方法的思路。这项研究的主要思想是应用全卷积神经网络进行特征提取。最初，FCN使用训练样本和单热图像进行训练，然后在提供另一组图像之后，可以生成分割结果。全卷积网络的架构主要采用U-net及其他两种变体，将通过实验分别测试三种架构的性能。这两个称为DualU-net与TightU-net的变体基于深度卷积小帧的思想。这个想法优于最初的U-net架构，因为它允许在分割过程中减少噪声，从而提供更准确的结果。虽然FCN可以给出相当准确的分割结果，但它们仍然可以被细化。本文提出了两种实现这些目标的方法。其中之一是为训练集中的每个图像计算小波形式-这种方法可以在训练期间为神经网络提供更多细节。另一种方法是使用条件随机场，其考虑图像的整个上下文并产生去除粗边缘的平滑预测结果。
　　实验表明，即使训练集的大小有限，图像特征不清晰，本文提出的方法也可以解决分割问题。