本研究提出了一种基于多代理强化学习的Flip Learning框架，旨在提高乳腺超声结节分割的精确性。该方法在大型数据集上进行验证，性能超过现有的弱监督方法，接近完全监督学习的效果。

本研究提出了一种针对B模式超声图像的对比自监督学习方法，通过关系对比损失函数（RCL）提升特征学习。结果表明，该方法在乳腺超声数据集上显著优于传统监督分割，尤其在数据有限时展现出更强的泛化能力。

本研究提出多种基于深度学习的乳腺超声图像分析方法，包括可解释卷积神经网络、弱监督学习的检测诊断网络和新型分割方法，旨在提高乳腺癌的诊断精确性和模型可解释性。