乳腺癌是当今女性多发的癌症疾病之一,且发病率逐年上升。尽早发现乳腺癌并配以合理的治疗手段对于提升病发人群存活率具有重要意义。由于高敏感度与特异性,磁共振成像(Magnetic Resonance Imaging,MRI)技术是确诊乳腺癌的重要方法,已广泛应用于临床。乳腺磁共振影像肿瘤的分割与良恶性诊断已经成为计算机辅助诊断(Computer Aided Diagnosis,CAD)领域的重要研究内容。本文针对乳腺MRI影像的特点,提出了基于深度神经网络的一种肿瘤分割算法和两种肿瘤良恶性诊断算法,并通过实验验证了算法的有效性,主要研究内容包括:(1)提出了一种基于混合卷积与多尺度上下文网络的乳腺肿瘤分割算法。在U-Net的基础上,加入2D与3D卷积混合模块来提取MRI切片间的上下文信息,并在网络编码末端加入不同采样率的空洞卷积来提取多尺度的图像特征。同时,本文使用多通道的表达方式将动态增强MRI影像中的时序信息融入到单幅图像作为网络输入,从而得到更为精准的分割效果。实验结果表明,该算法分割的戴斯系数、灵敏度和阳性预测值分别为76.5%、75.9%和82.4%,超过了该领域的其他先进算法。(2)提出了基于序列划分与多模型集成网络的乳腺肿瘤良恶性诊断算法。通过参考放射科医生在临床诊断中关注的肿瘤征象,对动态增强MRI影像进行划分,从而提取出更为全面和有效的病变特征。同时,为了获取造影剂摄入前后病变区域强度变化信息,本文采用卷积神经网络与循环神经网络结合的网络进行空间与时序特征的提取。实验表明,该算法的正确率、灵敏度和特异性分别为83.3%、88.8%和71.4%,超过了该领域其他的先进算法。(3)提出了基于多序列MRI自适应加权集成网络的乳腺肿瘤良恶性诊断算法。通过自适应权重模块的中间输出可以获得不同子序列在分类中所占权重,从而有针对性地辅助放射科医生诊断。最终实验表明,相较于基于序列划分与多模型集成的单序列分类算法,该算法将分类正确率、灵敏度和特异性分别提高了4.4%、2.8%和7.1%。综上所述,本文提出的算法能够实现乳腺MRI影像肿瘤区域的分割与良恶性分类任务,并提高了乳腺癌诊断的性能,同时也可为放射科医生的临床诊断工作提供较好的辅助诊断建议。