近些年来,随着深度学习突飞猛进地发展,基于深度学习的目标检测技术已经被广泛应用到农业、军事、医疗、教育、航空航天等领域。乳腺癌近几年愈发被人们重视,已经成为女性群体中不可忽视的疾病之一。大量研究发现,早期进行乳腺钼靶X线摄影检查可以尽早地发现乳腺癌。尽早地发现乳腺肿块,并且对其进行诊断和采取相应的治疗方案可以有效提高患者的存活率。目前,对乳腺X线图像进行诊断是放射科医生的工作,这个过程主要由医生根据个人经验和主观判断进行。同时因为乳腺X线图像中肿块的大小,形状,边界,纹理存在多样性,使得放射科医生的诊断工作具有一定困难。有研究表明,在之前的乳腺x线图像的回顾性研究中有20-30%的癌症被遗漏。近年来基于深度学习的目标检测技术被应用于计算机辅助诊断系统,用于作为诊断的第二意见辅助医生对乳腺X线图像进行诊断。深度学习逐渐成为医学图像分析的主流技术。医学图像分析领域对数据集标注的精度标准要求更高,正负样本数量差异较大,严重的不平衡问题会导致训练模型出现过拟合问题。在乳腺X线图像中肿块的大小、形状、边界、纹理存在多样性,并且肿块的信噪比与周围组织相比较低;肿块的位置变化较大;不同环境下,肿块的外观变化比较大;目标与非目标的外观差别很小。乳腺X线图像的以上特点对基于深度学习的肿块检测框架检测精度提出了很大的挑战。乳腺X线图像肿块检测面临的另一个问题是目前存在的经典深度学习框架对小尺寸的肿块存在遗漏问题。这对目前的目标检测算法又是一个难题。更深层的网络提取的深层特征对语义信息的表达效果更好,而浅层网络提取的低层的特征可以更好的表示目标的位置信息,更有利于目标的定位,提出将目标语义信息和位置信息的高、低层两种特征结合以达到更好的目标检测的效果。在训练阶段,CNN仅从标记的候选区域提取特征。但是,由于病理学家的经验和认知水平,标记区域通常是主观的,甚至是不准确的。癌症区域取决于其难以定义的驻留区域。也就是说,输出不仅可能取决于输入,而且取决于其所在的拓扑域区域。针对以上问题,本文提出了一个基于空间约束和多特征融合的多级目标检测架构,SC-FU-CS RCNN。首先,该框架由多个递增的重叠度(IoU)阈值训练的检测器构成,更深层的检测器可以更好地减少误报;其次,在框架中融合了卷积神经网络(CNN)的浅层与深层特征,使检测器更好地检图像中的模糊、较小的目标。最后,添加空间约束层纳入目标周围的拓扑区域特征。本文中,我们主要对以下几个部分进行讨论:(1)使用计算机辅助诊断对医学图像分析的背景综述。对近年来基于深度学习目标检测算法的计算机辅助诊断发展情况进行阐述。(2)介绍了基于手工设计特征和深度学习特征的计算机辅助检测方法及其优缺点。对两阶段和单阶段的经典目标检测算法分别介绍各自的算法流程、改进方法和自身存在的问题。(3)提出基于空间约束和多特征融合的多级目标检测架构,SC-FU-CS RCNN。以乳腺X线图像的肿块检测为中心,详细阐述了本文提出的基于级联深度神经网络的目标检测算法。首先,我们采用数个级联的R-CNN目标检测架构,通过多个递增的重叠度(IoU)阈值训练检测器以达到对样本进行重采样的目的。进而解决样本不平衡造成训练模型的过拟合问题。紧接着,针对乳腺X线图像肿块检测中小目标的遗漏问题,框架中采取了多层特征融合的方法使检测器更好地检测图像中的模糊、较小的目标。最后,添加空间约束层将目标周围的拓扑区域特征纳入训练模型以得到更精确的结果。实验中对数据集进行了数据增强,以达到提高目标检测准确率的效果。(4)为了有效地对本文提出的基于空间约束层和多特征融合的多级目标检测架构进行评估,实验中采用公开的乳腺钼靶筛查数字数据集(Digital Database for Screening Mammography,DDSM)和INbreast数据集。使用灵敏度、特异度、整体准确率、和Roc曲线等评价标准对本文提出的SC-FU-CS RCNN方法进行定量评估。实验中对比了添加空间约束层和多特征融合前后的乳腺X线图像中肿块的检测性能,并与其它使用深度学习技术的目标检测模型进行了对比。实验结果表明,SC-FU-CS RCNN实现了高于其他几种算法的准确率,验证了算法的有效性,一定程度上提高了乳腺x线肿块检测的性能。