近年来随着乳腺癌患者的增多,针对乳腺癌这一疾病,一种便捷、安全、廉价的三维容积乳腺超声（Automated Breast Ultrasound System,ABUS）得到广泛的应用。ABUS可以提供全方位的视野,减少了操作者依赖性,极大地帮助了医生诊断乳腺癌相关的疾病,但是ABUS也引发很多问题。首先在临床上,影像生成数据量大,但是有经验的读片医生少,导致读片效率低下,目前亟需一种全自动的诊断方法,减少整个诊断流程的时间。其次,在三维超声研究领域,基于ABUS图像的乳腺癌检测方法,存在巨大的计算资源消耗,较差的图像质量,以及数据不平衡等多个难题。为了克服这些挑战,本文根据临床研究中的问题,针对性地提出了一个全新的端到端的三维卷积分割网络,用于乳腺癌的检测任务。研究这个领域的相关方法,传统的机器学习方法难以应对复杂的成像条件,并且速度和性能交叉。而流行的深度学习方法,存在计算冗余,推理时间慢等问题。分析研究中遇到的问题,本文针对性的提出如下五个解决方案,对检测任务中的每个环节提出改进方案。第一,针对三维超声成像特点,在图像标注阶段,对金标准使用反向的DSC变换,改变神经网络的输入和输出,减小计算量,并且使得网络更容易理解信号衰减。第二,为了自动化的检测乳腺癌,我们使用3D Inception Unet作为分割网络。在后处理阶段,利用乳腺癌的先验知识进一步去除假阳病灶。第三,针对三维卷积神经网络占用大量的GPU、训练难度大的问题,我们采用卷积核分割的方式,设计了融合2D和3D卷积神经网络的Inception Block,提取点、线、面、体的多维特征,增强了特征表达,同时也减少了参数量。第四,为了减少漏诊率,本文提出一个面向临床需求的非对称分割损失函数,自动关注难分割小病灶,在特异性和敏感性间取得平衡。第五,根据超声成像特点,我们使用基于三维随机游走的方法计算置信图（Confidence Map）,评估超声成像质量,分割出图像中的阴影区域。结合Confidence Map的后处理方法,可以进一步降低假阳的数量。基于以上改进,我们的方法在ABUS上取得很好的效果,在包括199个阳性病人的数据集上,达到了 95.51%检出率并且平均每个体数据（Volume）3.2假阳结节（FPs）,在192个阴性病人数据上1.3 FPs。在我们端到端的网络上,一个Volume的平均推理时间为0.1秒,可以帮助医生快速定位病灶。实验证明非对称性的分割损失函数和Inception Unet网络使得我们的模型比其它类3D Unet的结构更为适用医学超声图像的乳腺癌检测任务。