摘要：乳腺肿瘤的精准分割是病变判定的重要前提，现有的分割方法存在参数量大、推理速度慢、内存资源消耗大等问题。针对上述问题，本文在Attention U-Net的基础上提出一种融合双路径联合蒸馏的乳腺癌超声影像轻量化语义分割模型T2KD Attention U-Net。首先，根据良恶性乳腺病灶不同的特征表示和上下文语义信息设计两个教师模型来学习每一类图像的细粒度特征；其次，采用联合蒸馏的方法训练轻量化的学生模型；最后，构造权重损失均衡函数来聚焦小目标的语义特征表示，解决数据前景和背景像素不平衡问题。该模型在Dataset BUSI和Dataset B两个数据集上取得了良好的性能，Dataset BUSI上的准确率、召回率、精确度、Dice系数和mIoU分别为95.26%、86.23%、85.09%、83.59%和77.78%；在Dataset B上分别为97.95%、92.80%、88.33%、88.40%和82.42%，模型的整体性能有显著提升。相比教师模型，学生模型参数量、模型大小和计算复杂度显著降低（2.2×10～6 vs. 106.1×10～6,8.4 MB vs. 414 MB,16.59 GFLOPs vs. 205.98 GFLOPs）。总体而言，该模型在保证精度的同时大幅降低了计算量，为临床医学场景的部署提供了新的思路。