乳腺钼靶图像检查是目前公认的最安全有效的乳腺癌早期检测方法之一,但医生手工阅片却很难避免漏诊和误诊,研究基于影像学的乳腺病灶的自动检测和良恶性诊断方法具有重要的临床应用价值。基于深度学习的方法,研究乳腺钼靶图像中的肿块的自动检测和良恶性诊断方法。针对图像中乳腺区域像素值分布范围较窄和肿块边界模糊等问题,采用了截断归一化方法,并与自适应直方图均衡化算法相结合来对原始图像进行预处理。针对现有数据集样本量偏少的问题,提出了一种局部弹性形变的数据扩充方法,来增加训练样本的多样性,并对动态数据集更新训练方法加以改进,使得基于RetinaNet自动检测模型的训练过程更加稳定,能更有效地挖掘困难样本和充分利用验证集数据,提高该检测模型的鲁棒性。针对训练样本量小和从自然图像直接到医学图像的迁移学习方法不能适应医学图像应用的要求,采用了分层训练和多阶段迁移学习的方法,来充分利用现有的数据集的有效数据,并提高了基于Inception-ResNet-V2良恶性诊断模型的精度。通过在Inbreast数据集上测试实验,肿块自动检测模型在FPPI(False Positive Per Image)为0.52的情况下,召回率达到了0.913;肿块良恶性诊断模型达到了0.943的正确率,受试者操作特性曲线(ROC)下的面积AUC达到了0.953。同时,在来自DDSM(Digital Dataset for Screening Mammographys)数据集的795个样本上对肿块良恶性诊断模型的验证实验,得到了0.931的正确率和0.982的AUC。该实验结果表明,所采用的方法和训练的模型对乳腺肿块的检测和良恶性判断具有较高的准确率,对临床应用具有一定的参考价值。