乳腺癌作为常见的女性疾病,让全球万千女性深受其害。研究表明,开展乳腺癌早筛能有效降低死亡风险。其中乳腺钼靶被证实是最简单有效的乳腺癌早筛手段,被广泛应用于世界各个区域。然而临床上大多是通过医生人工阅片,由于医生水平不统一、人为判断太过主观,不可避免会出现误诊漏诊等情况,而实现乳腺癌的计算机自动辅助诊断能很好的给医生提供参考意见,从客观角度帮助医生作出更快更正确的判断,给患者带来福音。乳腺钼靶图像中,肿块是常见的病变特征,也是用于诊断乳腺癌的重要指标,由于肿块存在形状多样,并且与周围腺体过于相似等问题,肿块的分类和分割是一大难点。由于肿块的良恶性与否是判断乳腺癌的重要依据,而乳腺肿块的轮廓是判断一个肿块的良恶性与否的重要依据,所以实现自动化的乳腺钼靶肿块的分类与分割十分具有研究价值。本文主要以乳腺钼靶图像中的乳腺肿块为研究对象,根据乳腺肿块的特点并结合深度学习算法,针对乳腺钼靶中肿块的分类与分割问题,在以下两个方面开展探索:1.基于深度学习的乳腺钼靶肿块的分类:为了实现自动化的乳腺钼靶肿块良恶性分类,并解决肿块良恶性分类精度不高的问题,结合深度学习技术,引入经典分类网络模型ResNet50来实现自动化乳腺钼靶肿块良恶性分类。为了进一步提高分类准确度,提出一种改进的残差网络结构,在ResNet50的结构上结合了注意力机制CBAM,提高网络模型对肿块特征的判别能力。并且根据乳腺钼靶肿块的特点,设计了二次迁移的训练方法,在乳腺钼靶图像中采样局部乳腺肿块切片数据集,局部切片数据集在ImageNet数据集进行第一次迁移学习,而后全局乳腺区域数据集在局部乳腺肿块切片数据集上进行二次迁移。实验结果显示,所提出的模型在局部肿块切片数据集上达到了0.8607的AUC值,提出的模型结合二次迁移方法在全局乳腺区域数据集上达到了0.8081的AUC值,实验数据从客观角度上证实了方法的可行性。2.基于深度学习的乳腺钼靶肿块的分割:乳腺钼靶图像中的肿块自动化分割是一个具有挑战性的问题。针对部分肿块与周围腺体组织类似、肿块边缘模糊且对比度不强难以准确分割的问题,提出了的一种多重注意力机制与改进的Unet网络结合的乳腺钼靶肿块分割网络,首先引入Unet网络模型用于肿块分割,并改进了Unet网络结构,在编码器与译码器部分,设计了多种单元结构,并对比了不同结构的组合方式,从而得到残差单元作为编码器而基本单元作为译码器的改进Unet结构。为了进一步提高网络的分割性能,在编码器部分的最后引入了DANet中的双重注意力机制,使得编码器在进行特征提取时,更关注重要的特征部分,以便于还原时得到的边缘信息更精确,译码器中将基本单元与SENet中的压缩激励模块相结合,使得译码器模块在还原原本的特征时更注重于细节的还原,提升了译码器的还原精度。通过实验表明,在CBIS-DDSM采样的乳腺肿块Ro I数据集上,所设计的网络结构得到了0.9033的Dice值和0.9722的准确率。实验数据从客观上验证了所提出方法的有效性。