乳腺癌是女性最常见的癌症之一,其严重影响患者的生活质量。乳腺造影是筛查乳腺癌最常用的方法,在众多成像技术中,乳腺X线成像被广泛应用。肿块是乳腺癌最常见的表现形式之一,与正常组织相比,肿块区域在乳腺X线图像中亮度较高。由于筛查乳腺X线图像是一项耗时的工作,且检测结果多基于医生主观分析,缺少定量评价,因此基于图像处理和模式识别方法的计算机辅助诊断具有重要的研究意义。乳腺X线图像中肿块尺寸差异较大,肿块与腺体组织叠加,造成肿块与周围组织对比度较小,此外致密性乳腺中包含较多的腺体组织,使得检测结果中假阳性率偏高,因此肿块的自动检测是一项具有挑战性的工作。本章以西方以及我国乳腺图像为研究对象,深入研究基于深度学习的乳腺X线图像肿块检测方法,论文主要完成工作及创新点如下:(1)为解决检测网络对肿块尺寸敏感而造成检测性能不佳的问题,提出了一种基于显著性检测的单边图像肿块检测方法。为充分利用深度的语义信息和准确的空间信息,设计了一种多级连接的编码-解码器模块以融合不同层级的特征图。为保留显著性检测图的完整肿块区域并减少特征图的干扰信息,构建了一种级联的显著性检测图生成结构。实验结果表明,该方法可以实现不同尺寸的肿块检测,在肿块与背景信息对比明显的图像中具有较好的检测性能。(2)针对Anchor尺寸较难合理设定以及正负样本不平衡问题,提出了一种基于Anchor-Free(AF)思想的肿块检测网络。通过修改YOLOv3的输出为AF模式,避免了设置Anchor尺寸的问题。为提高边框回归的准确性,采用一般化交并比(Generalized Intersection over Union,GIo U)损失函数训练边框回归任务。为解决正负样本不平衡使网络性能退化问题,采用焦点损失(Focal loss,FL)函数优化目标预测损失。实验结果表明,相比基于Anchor的YOLOv3检测方法,该方法具有更好的肿块检测性能。(3)针对检测结果假阳性率偏高的问题,提出了一种基于双边分析的肿块检测方法。为实现无标注点情况下的双边乳腺图像配准,设计了一种自监督配准网络,该网络通过最大化图像相似性度量直接估计空间变换。为融合单边图像肿块检测和双边图像信息去除假阳性功能,将区域建议网络与孪生全连接网络相结合,设计了Siamese-Faster-RCNN检测网络。实验结果表明,相比于单边Faster-RCNN检测,Siamese-Faster-RCNN在不降低真阳性率的同时可有效降低假阳性率。