El cáncer de mama es el cáncer más prevalente entre las mujeres en todo el mundo. El modo B del ultrasonido (US) es esencial para la detección temprana, ofreciendo una alta sensibilidad y especificidad sin exposición a la radiación. Este estudio introduce un método semiautomático para agilizar la generación de informes de US mamario, con el objetivo de reducir la carga sobre los radiólogos. Nuestro método sintetiza informes completos de US mamario combinando la información extraída de las anotaciones de los radiólogos durante los exámenes de rutina con los resultados del análisis de algoritmos de aprendizaje profundo en imágenes de US multimodal. Los módulos clave de nuestro método incluyen la clasificación de imágenes utilizando características visuales (ICVF), la clasificación de tipos a través del aprendizaje profundo (TCDL) y la estructuración automática y compilación de informes (ARSC). Los experimentos mostraron que el método propuesto redujo el tiempo promedio de generación de informes a 3.8 minutos en comparación con los procesos manuales, incluso al utilizar hardware relativamente básico. Los informes generados coincidieron perfectamente con los informes de referencia para masas sospechosas sin ningún fallo en nuestros conjuntos de evaluación. Además, el algoritmo basado en aprendizaje profundo, utilizando DenseNet-121 como modelo central, logró una precisión general de 0.865, una precisión de 0.868, una sensibilidad de 0.847, un puntaje F1 de 0.856 y un área bajo la curva de características de operación del receptor de 0.92 en la clasificación de la rigidez del tejido en imágenes de elastografía de onda de corte de US mamario (modo SWE). Estas mejoras no solo agilizan el proceso de generación de informes, sino que también permiten a los radiólogos dedicar más tiempo y atención a la atención al paciente, mejorando en última instancia los resultados clínicos y la satisfacción del paciente.