乳腺癌作为女性最常见的一种癌症,每年因乳腺癌致死的女性人数仅次于肺癌。乳腺癌病理检测可以尽早发现癌症,采取及时的治疗措施,能够大幅度降低乳腺癌的死亡率。基于Patch图像的乳腺癌病灶区域识别方法被广泛应用于乳腺癌检测中。本文主要对训练数据不平衡问题,裁剪导致的空域信息丢失和推断加速这三个方面展开研究,在提高模型检测性能的同时,实现乳腺癌病灶区域的快速检测。乳腺癌训练数据中存在大量的正负样本不平衡和难易样本不平衡。正负样本不平衡导致模型偏向于预测为数量占优势的类别,降低模型的准确率。数量众多的简单样本梯度很容易将有学习价值的困难样本淹没,造成模型学习缓慢,降低模型的性能。本文分析了数据下采样,基于类别权重的损失函数,Focal Loss,GHM等方法及其对模型性能的影响,并提出基于下采样和Focal Loss的方法来优化模型学习过程。针对空域信息丢失问题,本文提出基于逻辑回归的空域信息融合框架CNN-LR。CNN-LR根据深度学习模型的特点,将分类过程分为特征提取器和分类器。深度卷积网络CNN作为特征提取器,可以提取图像的细节信息,而逻辑回归接收多个相邻图像的特征信息作为输入,在获得较大视野的情况下重新估计每个图像的概率分布,从而提升模型的性能。为了避免推断阶段重叠图像区域的冗余计算,本文提出一种基于全卷积结构的检测方法。该方法将全连接层转换为等价的卷积结构,避免了对输入图像的分辨率限制。通过增加推断阶段输入图像大小,实现在一次推断中同时预测多个图像区域。重叠区域的特征提取结果共享,避免了大量的冗余计算,加速了模型推断速度。