乳腺癌具有发病率高、死亡率高的特点,已成为威胁妇女健康和生命的主要疾病。乳腺癌的早期筛查和早期诊断是挽救患者生命最有效的方法。乳房X线检测是乳腺癌筛查中最重要的影像学检查方法。早期乳腺癌的影像学特征尚不明确。其密度分类、微钙化检测和肿块良恶性分类是早期乳腺癌筛查的主要难点。它很容易受到医生的主观影响,易发生误诊和漏诊。随着计算机技术的不断发展,计算机辅助检测乳腺癌已成为医学影像学研究的一个热点领域。有效的计算机辅助检测方法可以帮助医生更好地分析乳房X线照片,提高乳腺癌诊断的准确性。本研究将计算机视觉与机器学习相结合,构建了一种乳腺癌检测算法。研究工作概括如下:(1)提出了一种基于小波变换的乳腺X线图像乳腺密度分类算法。乳腺密度高的女性患乳腺癌的风险是低密度的4~5倍。本研究在专业医师指导下,乳腺密度的分析研究分为三个阶段:首先,将乳腺图像分别进行去噪处理和自适应直方图均衡化处理,再进行小波技术融合前者,增强不同密度乳腺的灰度直方图特征。然后,通过多次迭代来确定乳腺区域的阈值,并得到标准二值化乳腺X线图像,计算图像黑白像素的比值得乳腺密度。我们根据乳腺影像报告和数据系统(Breast imaging reporting and data system,BI-RADS)的规则,评估乳房密度算法的性能。我们的分割结果准确率达到85%,实验结果优于放射科医生与同类算法准确率,为临床医生提供更高效的分类乳腺密度算法。(2)提出了一种基于自适应支持向量机的乳腺X线图像乳腺钙化病灶检测算法。微钙化是早期乳腺癌病变最重要的标志信息。目前,人工形态学观察是临床诊断此类疾病的主要方法,但容易引起误诊和漏诊。我们根据钙化病灶的特点设计了检测算法:首先,利用轮廓波变换和数学形态学(Contourlet transformation and morphology,CTM)增强乳房X线图像的对比度特征。再采用K均值聚类算法(K-means clustering algorithm,K-means)分割感兴趣区域(Region of interest,ROI),然后计算ROI的灰度特征、形状特征和区域直方图梯度。通过自适应支持向量机对感兴趣区域的粗钙化点和假钙化点进行分类。结果表明,该乳腺钙化病灶检测算法的准确率达到94%,实验结果优于放射科医生与同类算法,具有较大的临床应用价值。(3)提出了一种基于迁移学习微调网络的乳腺X线图像肿块检测算法。乳腺肿块是中晚期乳腺癌病变最主要的标志信息。随着深度学习在医疗领域应用场景出现,迁移学习受到越来越多的关注。我们根据乳腺肿块病灶的特点设计了良恶性分类算法:首先,将已学训练好的ImageNet模型参数进行迁移,将原有网络的输出层去掉,剩下的整个网络作为一个固定的特征提取机,从而应用到我们的乳腺肿块数据集,然后在微调的过程中,根据乳腺肿块病灶的特点,冻结网络中所有层的参数,添加最后几层及输出层,最终只需要微调训练最后几层网络,不断改进模型,提高算法准确率。结果表明,微调的VGG算法的分类准确率达到94%,实验结果优于从零开始训练的卷积神经网络算法和传统的机器学习算法,该算法效率更高,为放射科医生提供第二参考点。