目前,乳腺癌是全球女性最常见的恶性疾病之一,减少乳腺癌死亡率的关键是早期诊断和治疗。乳腺肿块是乳腺癌的主要症状,它的精确分割直接决定后续特征提取与分类,是乳腺癌早期检测的重要环节。然而肿块的大小和形状各异,边缘模糊且呈多样化特征,影像专家也难以正确判断复杂乳腺结构中的肿块位置,从而造成误诊或漏诊。传统的基于数字图像处理方法的乳腺钼靶X线图像肿块分割技术常常需要人工参与,方法繁琐且耗时,而使用深度学习方法可以自动学习图像特征,在输入到输出间建立非线性复杂模型,目前已广泛应用。为了提高乳腺肿块分割精度,本文研究了基于深度学习的乳腺钼靶图像肿块分割模型,论文的主要工作和创新点如下:1.针对乳腺肿块边界模糊、梯度复杂对准确分割带来的问题,提出了基于FCN的编码器-解码器乳腺肿块分割模型,该模型的思想是充分利用浅层网络提取的高分辨率信息,通过跳连接将其加入上采样网络,以补充上采样过程中丢失的边界信息,提升对肿块边缘预测的准确性。2.针对使用编码器-解码器分割模型在肿块分割时可能造成的计算资源过度使用、模型参数冗余、不能充分提取和利用图像高层特征和多尺度信息以及分割复杂乳腺组织图像时结果不够理想等问题,提出了引入注意力机制和密集连接的FCN乳腺肿块分割模型。其思想是通过密集连接的卷积神经网络作为肿块特征提取器实现特征复用,缓解由于网络加深带来的梯度消失现象;通过引入注意力门结构,使得背景区域的梯度在反向传播过程中向下加权,网络参数的更新主要依赖于肿块区域的特征响应,网络专注学习肿块特征,在不需引入额外的会造成模型参数冗余的目标检测网络的同时,减少复杂乳腺组织对分割结果的影响,实现更加精确的肿块分割。3.为了验证所提出的分割模型的有效性,在DDSM乳腺钼靶X线图像上进行对比实验,并利用F1-score、敏感度、特异度、整体准确率、ROC曲线和AUC对分割性能进行评价。实验结果表明:所提出的编码器-解码器分割模型在分割乳腺组织复杂度较低的图像时,得到了较好的分割结果,而在乳腺组织复杂度较高的图像上分割结果不够理想;引入注意力门结构和密集连接的分割模型在不引入冗余参数、避免梯度消失问题的同时,降低了复杂乳腺组织对网络训练的影响,提高了分割准确率。