根据《2015年中国癌症统计》的数据表明,从2003年至2014年,年平均癌症发病人数都在300万人次以上。对于广大的女性朋友来说,乳腺癌的发病率高居首位。乳腺癌的及早发现和治疗可以大大提高乳腺癌的治愈率,及早解除癌症对病人及家属的身心痛苦。随着计算机技术和人工智能技术的发展,采用计算机辅助诊断进行乳腺癌的筛查逐渐成为一种趋势,由于早期乳腺肿瘤通常较小,形状各异,边缘模糊并且存在一些致密的组织,这些因素给乳腺图像的分类和检测带来了极大的挑战。传统的乳腺图像分类和目标识别大多采用机器学习的方法,网络层次不够深,许多高层次的图像语义无法挖掘出来,并且图像特征往往需要根据人的经验手动提取,这样的特征提取工作不仅麻烦而且不够客观,导致最终的分类和识别准确率不高。近年来,基于深度学习的计算机辅助诊断逐渐成为辅助诊断领域的研究热点。深度学习相比于一般机器学习算法的网络结构更深也更复杂,对于许多高度非线性的分类识别和目标检测任的表现也更加优秀。因此,本文采用深度学习对乳腺钼靶X光图像进行分类和目标检测研究,本文所做的主要工作如下:(1)基于卷积神经网络的乳腺图像分类首先对原始数据集中的乳腺图像进行预处理工作,包括图像的二值化、图像噪声的去除、人造影像的去除以及胸肌影像的去除等,基本消除了冗余和无关影像对乳腺图像分类的影响。之后对数据集进行数据增强,将数据容量扩充至原来的20倍。本文的卷积神经网络模型以VGG-16网络为基础,并在此之上削减了网络模块数量,改进了网络参数的配置得到改进的VGG-16网络模型。之后将本文改进的VGG-16模型应用于乳腺图像的分类,实验结果表明本文改进模型的平均分类准确率提升了约2%,单张图片的平均测试耗时也减少了 25.7ms。(2)基于区域候选网络的乳腺肿瘤目标检测实验数据仍采用经过预处理的乳腺图像数据集并且经过新的数据增强后扩充至原来的40倍。目标检测网络以Faster R-CNN为主,在此基础上将多尺度特征融合方法与Faster R-CNN中区域候选网络相结合,与此同时改进了网络的ROI池化层以适应多尺度融合的特征图,最终的乳腺肿瘤目标检测结果表明,改进的Faster R-CNN模型相比于原算法各类别目标的识别精度更高,mAP提高了 4%,观察检测后的图像也基本证明了这一点,但是改进算法的单张图片平均检测耗时较原算法增加了 15ms。图[40]表[8]参[56]。