乳腺癌作为全球女性死亡的主要原因,已经引起了广泛的关注。早期发现乳腺癌可以显著改善生存率。超声波具有无电离辐射效应、低价等优点,这些特点让超声成像逐渐成为乳腺癌诊断的主流方式。计算机辅助诊断系统的出现显著提升了诊断的客观性和准确性方面。基于深度学习的乳腺分割研究发展迅速,但仍存在一些问题。乳腺超声由于其成像特点,得到的图像对比度和分辨率低、斑点噪声较高、组织间边界模糊,这些问题导致精确注释十分困难。本论文从数据集中存在的噪声注释出发,构建合适的网络结构,以实现准确的乳腺肿瘤分割。首先,本文提出针对超声图像的动态噪声指数及分割损失函数,实现对噪声数据的可检测。在模型训练过程中,通过网络的输出和样本原始注释计算噪声指数来代表样本是噪声的概率,并在训练过程中动态更新。提出一个改进的损失函数以增强网络噪声检测性能,降低噪声对训练反向传播的影响,最终实现在乳腺超声数据包含部分噪声的情况下肿瘤区域的准确分割。其次,本文提出一个基于弱监督的噪声注释容忍网络。该网络分为分割模块和校正模块两部分。其中,分割模块利用了噪声指数检测噪声并采用多空洞率的卷积块提取特征图;校正模块结合特征图以及模型预测结果动态校正噪声注释。实验结果表明,该网络在不同噪声比的数据上优于现有方法。对于具有更复杂噪声类型的真实数据集,该网络的交并比比现有方法提高了近6%。基于干净数据集进行训练,该网络同样取得了具有竞争力的结果。最后,本文提出一个基于弱监督的自引导分割分类网络来同时进行乳腺肿瘤的分割和分类。分类网络得到激活映射图,为分割网络提供了预先引导。分割模型生成的病变定位图将肿瘤边缘信息、形态信息转移到分类网络,以实现更准确的良恶性分类。通过这种方式,分割和分类网络相互传递肿瘤病灶区信息,并以引导的方式相互促进。自引导网络减少了数据注释的人工交互,减少了对医务人员的依赖。肿瘤分割后,提高了疾病诊断效率,为基于超声的医学诊断系统提供了辅助策略。