乳腺癌的发病率在女性癌症中位居首位,占所有新确诊癌症的30%,是威胁女性健康的头号敌人。淋巴结的转移状态是乳腺癌最重要的预后因素之一,及时、准确地检测腋窝淋巴结转移状态对指导乳腺癌的临床治疗至关重要。腋窝淋巴结清扫是临床检测的金标准,但它是一种有创的手术方式,会导致诸多术后并发症,例如淋巴水肿、血清瘤和感染性神经病变等,并且会让乳腺癌早期患者过度治疗。腋窝超声检查是一种应用于乳腺病变患者腋窝淋巴结评估的方法,其分为两种方式:一种是B型超声,其主要依据形态学特征来检测恶性淋巴结;另一种超声是剪切波弹性成像技术,通过剪切波弹性成像技术测量淋巴结组织硬度来评估淋巴结转移状态。然而,超声图像的判读依赖于放射科医生的主观评估,这导致了不同观察者之间存在差异,会影响诊断的准确性。综上所述,无创检测腋窝淋巴结转移状态的诊断效能有限,因此有必要研究一种客观、准确、可靠的方法,辅助医生准确评估腋窝淋巴结转移状态。本文工作主要内容如下:1.与中山大学附属肿瘤医院超声科开展合作,从医院收录214名2018年至2020年入院治疗的乳腺癌患者,采集440张患者的B型超声与剪切波弹性超声图像作为本研究的实验数据集。并使用标注软件对原始图像进行淋巴结感兴趣区域勾画与框选。2.基于特征工程的方法,在腋窝淋巴结B型超声影像中分别提取一阶统计特征、形态特征、灰度纹理特征和小波变化特征共464个,然后利用单变量统计、基于模型的选择和递归消除三种特征选择的方法筛选出不同的特征子集,然后采用Logistic回归、支持向量机、决策树三种分类器构建分类模型,探究影像组学方法中不同特征子集组合评估腋窝淋巴结转移状态的诊断效能,同时比较不同分类模型的预测性能。3.本文提出基于深度学习的多源异构数据融合模型,利用卷积神经网络自动挖掘超声影像中蕴含的内在医学提示,弥补人为勾画淋巴结轮廓时可能忽略淋巴结与周围组织之间存在的关键医学信息的缺陷。特征级的融合方式使影像组学特征与深度图像特征有机融合,从而有效提高模型的诊断效能。实验结果表明,基于深度学习的多源异构数据融合模型在独立测试集上的AUC、准确率、灵敏度及特异性分别达到0.911、86.2%、82.8%、90.2%,模型对乳腺癌患者的腋窝淋巴结转移状态评估具有较高的诊断效能,表明使用多源异构数据融合的方法,可以有效提高深度学习方法在小规模数据集上的泛化性能。