乳腺癌是女性中最常见的癌症,也是女性死亡的第二大原因。乳腺钼靶X光图像筛查可以提早乳腺癌被发现的时间,使医生可在乳腺癌早期尽快进行治疗。钼靶图像筛查主要依靠医生的观察,但图像的阅读对医生的临床经验要求较高,诊断结果往往也会受主观因素的影响。计算机辅助诊断系统可以通过帮助放射科医生来改善乳腺癌筛查效果。传统系统的特异性较低,放射科医生在使用计算机辅助系统时并未提高其筛查性能。通过使用深度神经网络机器学习算法的最新发展极大地改善了计算机视觉和医学成像模型的性能。乳腺肿块是乳腺癌的一个最重要的征兆,它们的自动检测识别对于预测癌症非常重要。因此,本文的主要研究内容是乳腺钼靶图像的分类、乳腺肿块检测和肿块分割。本文对乳腺钼靶X光图像进行良恶性分类,辅助医生进行筛查判断。由于钼靶图像分辨率高而肿块在图像中占比极小,本文提出了应用互注意力机制融合块特征和全局特征分类的方法。剪切图像块训练分类网络,网络用于生成块特征。在块特征提取网络上扩展网络深度,输入整张图像用于提取全局特征。以互注意力机制融合全局特征和块特征进行分类,以全局特征为指导学习块特征不同通道的重要程度,按照块特征的分布学习有利于分类的病变或组织的位置,为全局特征赋予不同的空间权重。实验证明,该方法有效捕捉了病变特征,较好分类了钼靶图像。本研究对乳腺钼靶X光图像中的肿块病变进行检测分类,以帮助医生确认病变位置和类型。由于钼靶图像拥有多视图且两侧乳腺之间具有结构相关性,本文利用两侧图像特征检测肿块。因为检测常用的smooth L1损失计算的是变换参数的距离,不能直接的表示检测框和真实标注的差距,所以使用广义交并比损失作为回归损失。本研究设计区域映射和特征融合结构结合广义交并比损失函数的肿块检测方法。算法首先应用Faster R-CNN的RPN结构生成初步的肿块候选区,应用区域映射方法将候选区映射到对侧图像获得相应位置图像块,然后融合两侧特征的相似和不对称信息进一步回归和分类。融合特征回归的训练过程结合广义交并比损失函数来改善定位精度。实验证明了该方法的有效性。本文对乳腺肿块分割方法进行研究,为后续治疗方案的确定提供帮助。肿块分割的相关研究中将条件随机场结合到全卷积网络中,使分割结果更具有结构性。和自然场景中明显边缘相比,病变和背景的交界是渐变的。语义分割中检测边缘有助于场景的分割,而病变由于边缘渐变的特性,如果标注的边缘不足够准确,边缘周围错误标注的像素反而影响网络的训练。因此,本文设计腐蚀损失,利用形态学腐蚀操作生成计算损失的掩码,使错误可能性高的边缘周围部分不参与损失的计算。该方法改善了基线方法的分割性能。本文的方法已经获得较好结果。但是,分类网络无法端到端的训练,影响了钼靶图像的特征编码效果,可进一步研究模型压缩。肿块检测的假阳性可进一步降低。肿块分割边缘还不够准确,可进一步探究改进方法。