乳腺癌是最为常见的癌症之一,早期发现并及时治疗可大幅提高患者存活率。因此,对于乳腺癌的早期诊断十分重要。相较于钼靶、CT等方式,超声检测因其安全性、便捷性、灵活性等优势被广泛应用,针对乳腺超声图像的辅助判别模型也逐渐被重视。不同于海量的人脸、自然图像数据,典型、准确且有效的医学图像金标准数据是极其有限的,同时,罕见疾病数据和新发疫情的早期数据亦是极度缺乏的,此类状况都极大地限制了深度学习等强大模型的能力。并且现有的小样本学习研究未针对实际场景问题进行设计和解决。因此,针对有限数据量的医学图像小样本学习研究十分关键。论文从乳腺超声图像和小样本学习角度出发,结合人类对于此类图像的认知和小样本思维模式,设计了多类特征提取模块获取图像中重要的识别信息,并在度量思想的基础上,引入了图神经网络来泛化和概括样本类别特征,从而指导在少量数据情况下的乳腺超声图像识别和生成工作。本文的主要工作内容如下:1.构建了能够概括类别信息且计算更为高效的图神经网络模型。图神经网络中的消息传播能力能够较好地表述关系信息,但此类研究较少。论文在基于度量学习思想的图神经网络中,顶点和边分别表示样本特征和其间的相似度。优化了多层图神经网络的更新处理,从而突出少量样本中包含的类别特征,并提高图更新模块的独立性。引入Dropout边操作缓解过平滑问题,加入图池化处理降低图计算的时空复杂度,使多层图神经网络的计算和优化更为有效。此图神经网络模型具备从少量数据中学习和概括类别信息的能力,可直接嵌入至分类和生成等相关方法中。2.提出了基于图神经网络的多特征聚合的小样本分类方法。尽管小样本分类研究越发完善,但针对实际场景中的小样本研究较少。基于此问题,本文利用多类特征提取模块从超声图像的边缘细节和肿瘤轮廓角度挖掘重要的识别信息,并结合原图提取图像中丰富的判别特征,以此构建图神经网络。经由多层图神经网络的更新以突出少量样本中包含的类别信息。充分考虑图神经网络中蕴含的信息,利用每层图的顶点和边值,并从样本特征和样本间关系角度获取完整的度量特征,将多维度量特征进行聚合得到最终的相似度矩阵,最后根据其完成肿瘤分类。3.提出了基于生成对抗网络并引入图神经网络和真实数据特征的小样本生成方法。为根据实际的少量样本来生成数据以用于下游任务,本文采用生成器和判别器结构,引入图神经网络学习和提取少量样本中包含的类别信息,以生成相应类别的图像数据。设计了特征引入模块,借助真实图像数据补充相关细节信息。设计了相关损失函数以保证模型进行有效训练,提高生成图像的质量。论文选取了四个乳腺超声图像数据集,分别进行了小样本分类和生成实验,并且通过相关消融实验验证了方法中各个模块的作用。在分类准确率上,本文方法平均领先于第二优的模型约2%;本文方法的生成图像在FID（Fréchet Inception Distance）和IS（Inception Score）值上表现较好,且生成图像引入至分类模型中使准确率相应提高了约0.5%。实验结果表明本文的小样本分类和生成方法取得了较好的效果,验证了本文模型的有效性。论文将小样本学习的成熟理论内容与模型框架引入和应用至实际场景中,充分提取乳腺超声图像中重要的识别信息,基于度量思想并结合小样本学习和图神经网络提出了适合于少量数据的乳腺超声图像分类和生成方法,为实际小样本问题的相关研究提供了思路和途径。