乳腺钼靶检查作为乳腺癌早期筛查和诊断的重要技术手段,通过计算机辅助诊断技术,可克服人工阅片的缺点且提高识别乳腺癌的准确率。乳腺恶性病变或良性病变都伴随着钙化的产生,且形成不同的钙化形态特征。许多学者提出了基于人工提取特征及传统机器学习算法对乳腺钙化进行诊断。然而这些方法不仅产生很高的假阳性率,且整个流程处于半自动诊断模式,检测效率较低。因此,本课题提出了基于深度学习的乳腺钼靶钙化图像检测及分类全自动辅助诊断方法,主要工作如下:本方法分为两个重要部分,乳腺钙化检测和分类。在乳腺钙化检测方面,由于钼靶图像具有较大分辨率则将其均匀裁剪为30(5×6)张子图像;钙化检测模型对子图像进行检测,计算后可检测出6种钙化类别及相应的位置;子图像合并后可将其若干类别钙化框选显示出来。乳腺钙化分类则在钙化检测模块的基础上,按照钙化优先级进行钙化聚类并合成钙化聚焦区域图像,然后将区域图像输入到分类模型,计算后可分类出钼靶图像的良恶性类别。本课题使用448例良性钙化图像和544张恶性钙化图像,每张图片都有相应的病理图像作为金标准。经过实验统计后,6种钙化类型检测平均精确率为89.70%,M-DenseNet模型可获得良恶性分类准确率为89.52%。可见,基于深度学习的检测模型和分类模型具有较高的钙化识别准确率。综上所述,检测模型和分类模型结合后实现全自动的乳腺钙化辅助诊断流程,并在钙化识别方面有着较高的准确率。因此,基于深度学习的钼靶钙化图像检测及分类诊断方法为乳腺早期筛查和诊断提供了有效的辅助功能,降低风险,提高效率。