La segmentación de tumores mamarios en imágenes de ultrasonido proporciona información valiosa sobre los tumores para la detección temprana y el diagnóstico. Sin embargo, el ruido de moteado y los límites borrosos en las imágenes de ultrasonido mamario presentan desafíos para la segmentación de tumores, especialmente para tumores malignos con formas irregulares. Los transformadores de visión recientes han mostrado un rendimiento prometedor en el manejo de la variación a través de la modelización del contexto global. Sin embargo, a menudo están dominados por características de patrones grandes y carecen de la capacidad para reconocer información negativa en las imágenes de ultrasonido, lo que conduce a la pérdida de detalles de los tumores mamarios (por ejemplo, límites y objetos pequeños). En este artículo, proponemos una red novedosa de supresión de ruido y refinamiento de límites, NSBR-Net, para aliviar simultáneamente la interferencia del ruido de moteado y los problemas de límites borrosos en la segmentación de tumores mamarios. Específicamente, proponemos dos diseños innovadores, a saber, el Módulo de Supresión de Ruido (NSM) y el Módulo de Refinamiento de Límites (BRM). El NSM filtra la información de ruido de los mapas de características de grano grueso, mientras que el BRM refina progresivamente los límites de objetos de lesiones significativas. Nuestro método demuestra una precisión superior sobre los modelos de aprendizaje profundo de vanguardia, logrando mejoras significativas del 3.67% en el Conjunto de Datos B y del 2.30% en el conjunto de datos BUSI en mDice para la prueba de tumores malignos.