乳腺癌作为威胁女性群体健康的第二大杀手,已经引起了人类社会的广泛关注。计算机辅助检测系统旨在利用图像处理、机器学习等方法检测出可疑病变区域,辅助医生做出最终的诊断,以提高诊断结果的客观性和准确性并降低医生的工作量。肿块作为乳腺癌的主要表征形态,是计算机辅助检测系统研究的重点。目前基于单视图乳腺肿块辅助检测系统在临床上应用较多,但因检测结果中包含过多假阳区域,令其不能很好地取得放射科医生的信任。本文以提高基于单视图乳腺肿块辅助检测系统的性能为目标,对基于双视图的乳腺肿块辅助检测方法进行了深入的研究。考虑到基于双视图的方法是以单视图计算机辅助检测系统为基础,性能受单视图计算机辅助检测系统的结果影响,因此我们以研究单视图乳腺肿块辅助检测为基础,进而完成基于双视图的乳腺肿块辅助检测算法的设计。归纳起来,本文的研究成果主要表现在以下几个方面:首先,将视觉显著性模型和深度学习技术整合到单视图肿块检测系统中。基于频率协调的显著性检测在提高肿块和正常组织对比度的同时还能保持肿块的细节信息。使用深度学习框架caffe并利用微调的AlexNet模型提取图像特征,避免了手工设计特征并且很好地反映了肿块和正常组织的特性。单视图肿块检测算法结果保持了较高的检出率,为后续双视图肿块检测算法的实现奠定了良好的基础。其次,利用同一病灶在头尾位和内外斜侧位视图的投影区域在中轴线上的投影点与乳头之间的距离基本保持不变的性质,将单视图检测算法得到的可疑肿块进行匹配,并建立不同的匹配对。最后,对不同匹配对中的每一侧图像块均提取深度特征,将两侧的特征进行联立作为该匹配对的特征,并利用支持向量机分类器进行分类。经过对基于单视图肿块检测算法和基于双视图肿块检测算法整体性能的比较分析表明,基于双视图肿块检测方法在基本保持单视图肿块检测方法检出率的同时降低了假阳率,使得单视图肿块检测系统的性能得到改善。通过对基于单视图乳腺肿块辅助检测系统、基于双视图乳腺肿块辅助检测系统的研究,为实现计算机辅助肿块检测系统在临床上的应用推广提供了理论基础。