随着生活节奏和环境的不断变化,具有高发病率和高死亡率的乳腺癌已经成为最常见的癌症类型,正在严重威胁女性的生理健康和生命安全。由于乳腺癌发病机理的不确定性使乳腺癌在发病早期很难被发现。乳腺钼靶X线摄影检查是目前乳腺癌筛查的首选影像学检查方法,也是目前最简单、最可靠的检测方法。因此,本文将对乳腺钼靶X线摄影检查得到的乳腺钼靶图像作为研究对象,对其中的病变检测和分类进行研究,旨在辅助医生做出更加快速、准确的诊断,这对乳腺癌的早期诊断和治疗具有非常重要的意义。肿块和钙化是乳腺钼靶图像的主要阳性征象,但目前对其进行检测和分类的方法大多只针对肿块或钙化单独研究,没有将二者同时考虑在内。同时,现有方法还存在对病变的检测精度低、分类准确率不高等问题。随着科学技术的发展,人工智能(Artificial Intelligence,AI)技术在乳腺癌诊断中的研究越来越广泛,希望可以为他们提供客观依据以辅助诊断,所以本文使用深度学习方法对乳腺钼靶图像中的病变进行检测和分类。由于临床中乳腺病变不仅包含肿块,同时也包含钙化,为了提高乳腺癌筛查的准确率,本文将乳腺中的肿块和钙化同时考虑在内进行检测和分类:首先,选定深度学习网络Faster R-CNN进行目标检测,并对该网络的损失函数进行优化,能够在提高乳腺钼靶图像病变检测精度的同时节省模型训练和测试的时间;然后,根据乳腺钼靶图像的特点,设计了一个深度协商卷积神经网络(Deep Cooperation Convolutional Neural Network,DCCNN)对病变进行分类,将多视图作为输入,把不同层的特征进行融合,为了同时考虑通道和空间两个维度的特征信息,引入注意力机制,将乳腺病变分为更详细的5类,分别是:正常乳房,良性钙化,良性肿块,恶性钙化,恶性肿块,该设计能够保持网络深度和宽度的平衡。通过使用南佛罗里达大学存储库中的筛查乳腺摄影数字数据库DDSM的695个正常乳房图像和DDSM的更新和标准化版本CBIS-DDSM中的753个钙化病例图像和891个肿块病例图像对DCCNN进行训练和测试,与现有的模型进行比较,测试结果显示本文设计的网络模型分类准确率更高。