磁共振成像(MRI)是最常见的乳腺癌诊断后的评估手段,用以评估乳腺癌疾病发展的风险。乳腺MRI可以用来确定乳腺癌的分期。乳腺MRI主要用于观测乳腺癌诊断后,癌组织的大小和范围,从而帮助医师确定癌症的分期,以及化疗后癌组织的变化情况。本课题的研究目的是构建一个基于卷积神经网络的,能够自动将乳腺同一位置的四种模式的核磁共振成像图像融合起来,对乳腺癌病灶进行分类分割检查的模型。主要研究内容是使用卷积神经网络方法,对多参数磁共振成像的乳腺图像中肿瘤组织部分的分类与分割。本研究中的乳房的MRI数据是使用1.5T-MRI扫描仪,对67名受试者分别采用四种不同成像模式扫描而获得的。主要采用的四种不同的成像模式分别为:T1加权成像,T2加权成像,弥散加权的eTHRIVE序列成像,和动态对比度增强参数成像。研究模型主要由图像分类和图像分割两部分组成。其中,研究提出的用于乳腺癌分类诊断的四图融合骨干网络,克服了单模态图像检测的局限性,并模拟了临床医生及放射科医师的实际诊断过程,达到0.942的分类准确率。其次,研究提出的自动分割肿瘤组织的过程采用了优化的U-Net模型,使得图像分割结果得到了显著性的提升。四种模式融合的分类骨干网络和用于癌组织分割的改进的U-Net模型相组合,构建了基于神经网络的乳腺癌诊断模型,形成了能够应用于实际乳腺癌临床诊断工作的计算机辅助检测系统(CAD)。