乳腺癌是危害女性健康最常见的疾病,因为它高程度的发病概率而引起了其广泛的关注和恐慌。有专家提出,降低乳腺癌死亡概率的最为重要途径之一就是乳腺癌的早期诊断和乳腺癌的早期治疗,然而乳腺癌患者在被确诊为罹患乳腺癌的时候绝大多数的病例已经发展到了乳腺癌中期或者乳腺癌晚期,不仅饱受病痛折磨,还耽误了治疗的最佳时期。乳腺癌早期诊断技术中,X射线全数字化乳腺摄影(fUll-field digital mammography，FFDM)技术被认为是首选之一,但这种二维影像依然存在致密的乳腺组织与病灶重叠而导致漏诊的问题。数字乳腺三维断层影像(Digital breast tomosynthesis,DBT)成像技术的开发,让X线乳腺病变象征显示清晰度有了明显的提高。这种三维成像的方法,能减少或消除组织重叠,对病灶周围组织结构特征的显示更加清晰,所以DBT成像技术提高了病变检出率和降低了漏诊率。由于DBT影像是三维断层影像,一个影像序列通常包含数十张断层影像。相较FFDM只有一张影像而言,影像科医生在阅片诊断过程中的工作量增加了几十倍,所以亟需开发开面向DBT影像的智能辅助诊断系统来帮助医生减轻工作量,提高诊断效率,而肿块的自动检测系统便是智能辅助诊断系统中的关键的环节之一。本文主要研究的是基于深度学习的DBT影像肿块自动检测系统。在以往的研究中,大多数研究者关注于设计手动提取特征的传统机器学习算法。因为近年来深度学习算法在图像识别和机器视觉中有着出色的表现,也有不少学者将深度学习算法利用到DBT影像肿块自动检测当中,获得了不少不错的成果。但是这些研究中并未将深度学习算法应用至整个DBT肿块自动检测系统当中,系统中的肿块可疑区域预选步骤仍然是基于手动特征提取的传统算法设计的,存在着系统结构不够整体和运算效率不够高等问题。本文的研究中设计了两种基于深度学习的乳腺DBT影像肿块自动检测算法。第一种是基于深度卷积神经网络(deep convolutional network,DCNN)的DBT肿块自动检测系统。第二种是基于 Faster RCNN(Faster Region based Convolutional Neural Networks,Faster RCNN)的肿块检测系统。并在完全相同的数据集上对两种算法进行性能评估和比较。具体内容包括:(1)影像预处理:对乳腺DBT影像进行图像对比度增强,乳房区域检测以及乳房皮肤分割等步骤。(2)基于DCNN的DBT肿块自动检测系统:首先使用三维径向梯度分析对DBT三维断层影像进行计算,得到三维断层影像的三维径向梯度特征图。接着对三维径向特征图进行三维自适应阈值分割,将其分割成三个等级,并保留最高等级区域作为肿块可疑区域。然后使用25.6×25.6mm的方框以肿块可疑区域中心为中点截取上下连续五层的ROI(region of interest)区域输入深度学习卷积神经网络模型获得肿块可疑区域的肿块似然得分(以五层中最高得分作为该区域的最终肿块似然得分)。最后以最终肿块似然得分进行肿块可疑区域的假阳性筛选,实现肿块的自动检测。(3)基于Faster RCNN的肿块自动检测系统:搭建用于肿块自动检测的Faster RCNN深度学习目标检测框架。其中包括:共享卷积网络,区域候选网络(region proposal network,RPN),假阳性分类网络。在检测的过程中,首先将连续的DBT三维断层影像层层输入训练过后的Faster RCNN模型,经过五层共享卷积网络之后,RPN基于共享卷积网络自动提取的特征将肿块可疑区域以边界框的形式传递给假阳性筛选网络,由其进行肿块似然得分计算。接着基于断层间边界框的重叠率,进行断层间边界框的融合,以最高得分作为该区域的最终肿块似然得分,实现肿块的自动检测。(4)性能评估方法和性能对比:使用完全相同的数据集对两种系统进行十折交叉验证,并使用自由响应受试者工作特征曲线(free-response receiver operating characteristic curve,FROC)进行性能评估。基于DCNN的DBT肿块自动检测系统达到灵敏度为90%时每个乳房平均有2.25个假阳性，而基于Faster RCNN的DBT肿块自动检测系统达到灵敏度为90%时每个乳房平均有0.76个假阳性。使用重采样非参数方法检验两个算法的FROC,发现两者统计学上有显著性差异(P值<0.05)。基于Faster RCNN的DBT肿块自动检测系统表现更出色。本研究的主要贡献在于首次在DBT影像的肿块自动检测中使用Faster RCNN框架,并达到了不错的效果。同时也是首次将基于深度卷积神经网络的DBT肿块自动检测系统与基于Faster RCNN的DBT肿块自动检测系统进行性能对比。在DBT影像的肿块自动检测研究中提供了一个新的思路。