乳腺癌是全球发病率第二高的癌症,也是女性发病率最高的恶性肿瘤。影像学检查在乳腺癌早期检测和诊断中扮演着重要角色,凭借其精准无创的诊断性能,检出初期乳腺疾病,从而抑制病情恶化、提升治愈率。磁共振成像（Magnetic Resonance Imaging,MRI）作为癌症检测的重要无创手段,能够发现乳腺早期病灶,精准地反映病变的形态特征和血流动力学信息,是乳腺癌早期检测的重要工具。同时,随着深度学习在图像领域的不断拓展,如何结合深度学习与医学成像技术来构建计算机辅助诊断算法,缓解医生的阅片压力,提升诊断的准确性和稳定性,成为了当前医学影像处理领域亟待解决的问题。为了解决上述问题,本文的主要研究工作是基于区域卷积神经网络来构建计算机辅助检测与诊断算法,对乳腺MRI图像进行乳腺癌肿块的早期检测与诊断。由于乳腺MRI公开数据集的缺乏,本文首先对合作医院的乳腺MRI数据进行处理和标注,制作了乳腺MRI肿块检测标准数据集;然后对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了在标准数据集上对乳腺肿块的高敏感度检测;最后,针对乳腺肿块检测过程中的小尺寸肿块检测困难、良性肿块检测精度不高的问题进行分析,将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了对乳腺良恶肿块的检测和分类性能。具体地,本文的主要研究工作如下:（1）制作乳腺MRI肿块检测标准数据集。对于纳入数据集的191例患者,首先使用小波去噪对其乳腺MRI图像进行去噪处理,然后根据诊断病历在医生的指导下对所有样本进行了肿块标注,并在数据扩增步骤中,提出了一种3通道RGB图像融合的数据扩增方法,得到了表征能力更强的乳腺RGB融合图像,并提高了数据集的样本空间。最后,对病人最大肿瘤横截面前后连续5张切片进行采样,用于后续实验。（2）对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了乳腺肿块的高灵敏度检测。本文使用Res Net101作为Faster RCNN的主干网络,并根据肿块的尺寸设计了定制化的锚尺寸,提高了算法对乳腺图像的特征提取能力和检测性能。在损失函数方面,采用Focal Loss替代了原始的交叉熵损失,使得算法提高了对难分样本的关注权重和良恶肿块的类间平衡性。在模型训练上,提出了两步迁移学习方法,使得网络分别从自然图像数据集Image Net和PASCAL VOC上学习到先验知识,最后在乳腺肿块标准数据集上达到了0.837的m AP值,0.979（0.401 FPs/Volume）的灵敏度。（3）将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了算法对乳腺良恶肿块的检测和分类性能。针对在实验过程中出现的小尺寸肿块易漏检、良性肿块检出率远低于恶性肿块的问题,本文引入多尺度特征金字塔结构对Res Net101主干网络进行改进,以提高网络对小肿块识别能力;并采用级联策略,将单阈值网络级联成多阈值网络,提高网络对各种目标对象的学习能力。最后,将乳腺肿块的检测m AP值提高到了0.860,并大大提升了对小肿块的检测性能。综上所述,本文所有的工作都围绕乳腺MRI图像中的肿块检测与诊断任务展开,为后续的乳腺癌计算机辅助诊断算法在乳腺癌早期检查中的应用提供了方法参考,推动了乳腺癌的临床研究和乳腺癌早期检查的普及。