随着饮食习惯的改变和医学诊断的发展,乳腺癌患者的数量逐年增加。乳腺癌已经成为社会上一个主要的公共卫生问题,是女性中最常见的癌症,也是女性死亡的第二大原因。早发现早诊断早治疗是提高治愈率和降低死亡率的关键。乳腺肿块是临床上乳腺癌最常见的病理特征之一,其大小和形状各异,边缘复杂,特征多样,而乳房X光照片则是识别乳腺肿块的重要根据。临床上大多是放射科医师根据X光照片提供可靠的意见辅助诊断,但是人工筛查费时费力,而且受到医疗水平不一和其他主观因素的限制。因此,如何在乳房X光照片中自动分割乳房肿块区域在乳腺癌早期诊断中是十分必要而且关键的。近些年深度学习方兴未艾,在医疗图像处理方面,尤其是在图像分割领域,基于深度学习的方法已取得了显著成就,其分割准确率已超过了传统分割方法。FCN,U-Net,Deep Lab,Gated-SCNN等各种网络模型纷纷涌现,为医疗图像分割的发展注入了强大的动力。在本文中,我们在U-Net的基础上提出了一个基于空间自适应对抗网络的乳房肿块分割模型来实现在乳房X光照片中自动分割出乳房肿块区域。乳腺X光照片中,乳房肿块通常被周围致密组织掩盖,形状不规则,边缘不平整,对比度较低,这对自动分割出精确的肿块区域提出了较大的挑战。为了对U-Net分割的结果进行后处理,得到更精细化和准确的分割结果,我们采用分割网络和鉴别网络组成的生成对抗网络的模型框架,通过两个网络进行对抗训练,利用判别网络的结果来监督分割网络的学习方向,进而达成优化分割结果的目标。由于传统的归一化操作会丢失部分关键语义信息,所以我们在判别网络中添加了空间自适应归一化层来捕捉并保持相应分割掩码中的语义信息,进而指导判别网络的学习方向。此外,我们提出了一个由对抗损失,分割损失以及感知损失共同组成的混合损失函数。由于在本文的分割任务中,乳腺X光图像中肿块占比较小,背景区域占比较大,为了改善类别不平衡问题,分割损失函数采用Dice损失来替代经典的L1损失。与此同时,为了保证生成结果与真实标签在语义特征上的一致,我们还增加了衡量特征图之间差距的感知损失。另外,将分割和生成对抗网络结合需要大量的卷积操作,参数量庞大,为了减少模型参数,我们在实验中将深度可分离卷积引入U-Net网络。我们将该模型在两个最常使用的公共乳腺钼靶X线图像肿块分割数据集（Inbreast和CBIS-DDSM）上进行了实验,实验结果表明,我们的方法比其他最新的模型性能更好,其Dice指标在INbreast数据集达到了81.15%,在CBIS-DDSM达到83.35%,充分证明了模型的有效性。