乳腺癌是世界范围内女性中最常见且死亡率最高的恶性肿瘤之一,其发病率占全身恶性肿瘤的7%～10%。我国乳腺癌平均发病年龄较西方国家早10-15年,全球每100个新确诊的乳腺癌病例中就有12个来自中国,预计到2030年我国女性乳腺癌年发病人数将高达23.4万例。乳腺癌已严重威胁我国广大女性的身心健康,其早期诊断并给予有效干预具有重要临床意义。X射线数字乳腺层析成像（Digital breast tomosynthesis,DBT）技术通过在有限角度范围进行多次曝光,随后重建出乳腺组织的三维断层图像,具有分辨率高、对比度高、准确率高等优点,对于乳腺中的纤维束、囊肿、微钙化点簇等结构都能清晰显示,对乳腺的影像学检查具有重要作用。商用DBT系统自2011年首次通过美国FDA认证,就得到广泛临床应用。然而,高端DBT成像技术被国外厂商如Hologic、Seimens、GE等公司垄断,为突破国外在该系统关键技术上的垄断地位、形成拥有完全自主知识产权的商用设备,本文指导老师与国内相关影像科技企业合作开展科技计划项目,进行DBT成像系统关键技术研发及整机研制。本文研究依托于该项目而进行,主要涉及到研发过程中的DBT算法评估和DBT图像增强两个方面的工作。（一）DBT算法评估此工作对不同剂量水平下的体模和病人原始投影数据采用FDK、SART、ASDPOCS-TV三种算法进行重建,通过计算峰值信噪比（SNR）、噪声功率谱（NPS）、伪影扩散函数（ASF）、以及单因素方差分析等手段对图像进行综合性评估。结果表明,随着降低剂量水平,DBT重建图像中的噪声与伪影扩散程度相应增加;经ASDPOCS-TV算法与SART算法重建的DBT图像相比于FDK算法,在抑制噪声和伪影方面具有更出色的性能,但两者相比各有优劣。因此,对于不同的临床诊断任务,需要选择最适宜的曝光剂量与重建算法。此项工作的贡献为:分析了三种算法的性能和适用场景,为本文实际工程项目中DBT重建算法的研发提供指导意义;采用了 SNR、NPS、ASF等指标进行了综合性的评估分析,为DBT系统其他方面的评估提供了参考意义;验证了低剂量仿真算法的有效性,该算法可应用于其他DBT算法研发过程中的仿真。（二）DBT图像增强此工作基于深度学习（Deep learning,DL）技术进行DBT钼靶图像的个性化增强,具体的,基于多尺度架构和残差网络构建DL-ME（Deep learning mammography enhancement）模型,并在输入端引入风格切换器以控制网络输出图像的增强风格。实验结果发现多尺度架构是DL-ME模型成功增强DBT钼靶图像的关键,此外,单一 DL-ME模型也可通过输入不同的风格切换器而得到不同风格的输出图像。此项工作的贡献为:原始探测器获得的DBT钼钯图像的对比度较低,不利于乳腺病灶的检出,对该图像进行增强有助于提高筛查的准确率;不同厂商DBT设备的图像风格迥异,导致影像医师使用不同厂商DBT设备进行乳腺癌检查时会遇到障碍,针对这一问题,此工作提供了一个统一的个性化图像增强模型DL-ME,以满足影像医师对特定图像风格的需求;基于此项工作,当前项目研发的DBT系统中的固定投影增强步骤可升级为DL-ME个性化投影增强。