乳腺癌是女性中最常见的癌症,如果能早发现早治疗,患者的存活率将会大大提升。超声成像凭借着其放射性小、检测效果好以及价格便宜而被广泛采纳。相比于其它类型图像,乳腺超声肿瘤图像分辨率更低、噪声更大、边界更加模糊,仅仅依靠人工诊断,误诊率会大大上升。传统机器学习的识别方法,往往识别精度较低、通用性不强。目前基于深度学习的识别方法大部分都仅限于定位目标区域或将给定的目标区域分类为良性或恶性,给医护人员带来极大的不便。虽然乳腺超声肿瘤识别的最新研究引入了Faster R-CNN算法,同时实现了肿瘤的分类和定位,但其仍存在识别精度较低和速度较慢的问题。鉴于此,本文继续沿着这一思路,采用基于深度学习的目标检测算法完成肿瘤识别,之后针对肿瘤识别中的相关问题对算法进行改进,本文的主要研究内容包括如下:1.将目前最为经典的基于深度学习的4种目标检测算法(Faster R-CNN、SSD、YOLOV3以及CornerNet)应用于乳腺肿超声瘤识别中,筛选出在识别精度和效率上均较高的算法。首先分析了四种算法的原理,之后借助专业医生标注的数据集在预训练模型上进行训练和测试,最后采用m AP以及FPS等多种评价指标进行评估。实验表明,相比于其它三种算法,YOLOV3在识别精度和速率上均取得了较好的效果。2.针对乳腺超声肿瘤特征难提取的问题,对YOLOV3特征提取网络DarkNet-53进行改进。首先将SE模块和Res2Net网络融合成SE-Res2Net网络替换原始的Res Net,用以扩大单层内的感受野,提取更加有效的特征;接着在上述基础上,针对多个3~*3卷积用于下采样容易丢失特征的缺陷,提出了3种不同Downsample下采样模块;然后在上述基础上,引入残差连接和密集连接组成残差密集网络Res-DenseNet以改进原始的残差连接方式,进一步提高DarkNet-53的特征提取能力;最后分别进行训练和测试。实验表明,这三种改进均可提高YOLOV3算法的识别效果。3.在前文算法基础上,针对乳腺超声肿瘤图像中大量存在的小目标识别的问题对YOLOV3算法改进。首先是将YOLOV3算法中的3个尺度的预测网络改进为4个尺度,用以充分利用浅层特征图的位置信息,同时考虑到参数量的问题,对网络进行裁剪;其次是将原始算法中预测网络的特征融合方式由FPN替换成ReBiF,以充分融合浅层的位置信息和深层的语义信息;最后对上述改进后的算法分别进行训练和测试。实验结果表明,在前文基础上,引入多尺度预测、对网络裁剪以及引入ReBiF进行特征融合后,YOLOV3算法的识别精度有了较大提升,其检测效率相较于最原始的算法有所下降,但仍高于SSD算法。