乳腺癌是全世界女性因癌症死亡的第一大杀手,通过数字化乳腺X线摄影检查能够有效诊断出乳腺癌的早期阶段,可极大增加生存机率。计算机辅助诊断系统能够实现乳腺X线图像的自动检测,提高诊断效率。由于乳腺肿块边缘模糊,与正常腺体组织对比度低,肿块的自动检测仍存在较高的漏诊率和误诊率。传统的计算机辅助诊断系统需要依赖经验知识手工提取有限的特征信息,存在片面性和不确定性。本文基于深度学习方法对乳腺X线图像肿块进行分类和定位,利用神经网络强大的特征提取能力实现更加客观全面的诊断结果,为医生阅片诊断提供第二建议。本文主要研究工作如下:(1)本文以DSOD(Deeply Supervised Object Detector)模型为基础,针对乳腺X线图像的特点,对DSOD模型的特征提取骨干网络和特征层预测子网络进行改进。首先,在特征提取骨干网络中,保留其密集连接的网络结构,引入基于深度可分离卷积的稠密卷积模块以替换原密集块,在保持网络深度监督的同时减少了模型参数和运算量,从而减少模型对计算资源的需求。其次,在相邻稠密卷积模块之间增加了基于通道域注意力机制的SE-Block模块,建立通道间特征相关性,对通道特征进行重新标定,提高对当前任务的有利特征而抑制无关特征,从而增强网络对乳腺肿块特征的提取能力。(2)由于乳腺X线钼靶图像数据集规模较小,本文在特征提取网络和特征预测网络的改进思路基础上,重新设计了更加精简的DSOD网络结构。改变网络生长率k并减少稠密卷积模块中卷积单元数量,使得网络模型更加紧凑轻量化。精简了模型参数,避免模型出现过拟合。(3)由于乳腺肿块的形状大小不一,为了提高DSOD模型对小尺度肿块的分类能力,在特征预测子网络中增加了膨胀卷积Inception模块。该模块同时结合了膨胀卷积和Inception网络结构多分支多尺度卷积的优点,扩大了感受野并增加全局信息,从而提高对小目标检测效果。考虑到数据集中正负样本分布不均衡,本文对损失函数进行改进,引入焦点损失函数Focal loss以提高模型分类性能。(4)本文通过消融实验验证了提出的各个改进模块的有效性,能够提高模型对乳腺肿块分类的精度和速度,同时减少了模型参数。通过对比实验,与其他目标检测模型进行对比,本文提出的改进DSOD模型对乳腺肿块的分类准确度、敏感度和特异性分别达到82.9%、80.6%和80.3%,能够有效对乳腺X线钼靶图像中肿块的良恶性进行分类,为医生临床诊断提供辅助建议。图34幅,表6个,参考文献56篇。