Die Einbeziehung menschlicher fachlicher Kenntnisse bei der Diagnose von Brusttumoren ist herausfordernd, da Form, Rand, Krümmung, Intensität oder andere gängige medizinische Vorwissen erheblich zwischen Patienten variieren und daher nicht einheitlich angewendet werden können. In dieser Arbeit wird ein neuer Ansatz vorgestellt, um visuelle Aufmerksamkeit in ein tiefes Lernmodell zur Segmentierung von Brusttumoren in Ultraschallbildern zu integrieren. Unter visueller Aufmerksamkeit versteht man Bildkarten, die Regionen enthalten, die eine höhere Wahrscheinlichkeit besitzen, die Aufmerksamkeit von Radiologen zu erregen. Der vorgeschlagene Ansatz integriert Aufmerksamkeitsblöcke in eine U-Net-Architektur und lernt Merkmalsdarstellungen, die räumliche Regionen mit hoher Aufmerksamkeitsintensität priorisieren. Die Validierungsergebnisse zeigen eine verbesserte Genauigkeit bei der Tumorsegmentierung im Vergleich zu Modellen ohne saliente Aufmerksamkeitslayer. Der Ansatz erreichte auf einem Datensatz von 510 Bildern einen Dice-Ähnlichkeitskoeffizienten von 90,5 Prozent. Das saliente Aufmerksamkeitsmodell hat das Potenzial, die Genauigkeit und Robustheit bei der Verarbeitung medizinischer Bilder anderer Organe zu erhöhen, indem es eine Möglichkeit bietet, aufgabenbezogene Kenntnisse in tiefen Lernarchitekturen einzubinden.