目前,乳腺癌是女性第一大致命癌症,但及时的发现和治疗可以有效降低乳腺癌的致死率。乳腺钼靶X线摄影技术由于其简便、可靠、无创等特性成为了目前诊断乳腺疾病的首选检测手段。在临床流程中,放射科医师会根据患者的乳腺钼靶X线图像来给出相应的诊断意见,但是人工的阅片流程却没那么轻松。事实上,即使是经验丰富的放射科医生也可能会犯错,从而导致漏诊误诊现象的出现。因此,计算机辅助诊断系统（Computer-aided Diagnosis,CAD）应运而生。CAD系统的主要目的在于为临床医师提供可供参考的诊断意见,简化临床阅片流程,减少漏诊误诊现象。基于乳腺钼靶X线图像CAD系统的整个诊断流程由多个部分组成,本文对其中的两个部分——乳腺密度分类和全视野乳腺肿块分割进行了深入研究,总结如下:1.基于双侧自适应空间和通道注意力网络的乳腺密度分类乳腺密度是预防乳腺癌的重要因素。现有的乳腺密度分类方法无法在实现端到端分类的同时达到令人满意的分类精度。在本文中,我们提出了一种双侧自适应空间和通道注意力网络（BASCNet）,它集成了患者左右侧乳腺的信息,并自适应地关注空间维度和通道维度上的判别性特征。所提出的BASCNet在DDSM和INbreast两个公共数据集上得到充分验证,五折交叉验证的分类准确率分别达到85.10%和90.51%。我们的方法是全自动的,并且取得了优于现有乳腺密度分类方法的分类性能。同时,我们进行了大量的消融实验来证明网络拓扑结构的有效性。此外,我们还比较了不同视图（CC和MLO）对乳腺密度分类的影响,并验证了对侧乳腺信息整合的有效性。总的来说,提出的BASCNet具有应用于临床诊断的潜力。2.基于自适应通道和多尺度空间上下文网络的全视野乳腺肿块分割乳腺肿块是最明显的癌症识别手段,因此,准确分割肿块至关重要。与以肿块为中心的patch分割相比,在全视野乳腺钼靶X线图像中准确分割乳腺肿块始终是一个具有挑战性的课题,因为其信噪比极低,肿块的形状、大小和位置不确定,网络容易预测出假阳。在这项研究中,我们提出了一种自适应通道和多尺度空间上下文网络（ACMSCNet）,用于全视野乳腺X线图像中的乳腺肿块分割。ACMSCNet采用标准的编码器解码器架构并以多级的方式嵌入自适应通道和多尺度空间上下文模块（ACMSC模块）,以实现精确的肿块分割。所提出的ACMSC模块利用自注意力机制自适应地捕获通道和空间维度之间的判别性上下文信息。ACMSC模块的多级嵌入使网络能够在多尺度的特征图上学习不同的特征。提出的模型在两个公共数据集CBIS-DDSM和INbreast上进行了评估。实验结果表明,通过自适应地捕捉通道和空间维度的上下文,我们的模型可以有效地去除假阳,预测困难样本,并获得优于之前方法的结果:CBIS-DDSM和INbreast数据集上的Dice系数分别为82.81%和84.11%。我们希望我们的工作能为乳腺癌诊断的CAD系统做出贡献,并最终提高临床诊断水平。