女性的生命健康严重受到乳腺高发恶性病变的威胁,尽早的发现与治疗将有效提升乳腺癌患者的生存率。乳腺X线摄影(Mammography)作为临床上进行良恶性病变筛查的首选方法。在常规乳腺癌诊断过程中,能否精确识别和诊断乳腺肿物的良恶性至关重要。肿物阴影是一种乳腺癌的常见征兆。良恶性肿物在其形态、边缘以及纹理等方面的差异已成为影像医师进行主观评估的重要依据。然而主观评估的方法严重依赖操作者的经验,加上医学影像病变误诊带来的影响,临床影像的诊断亟需一种自动诊断的方法。这在辅助医师进行乳腺肿物诊断方面意义重大。随着人工智能技术正积极投入医学领域,乳腺肿物辅助诊断已经成为研究热点。尽管人工智能技术具有众多优势并取得了长足发展,但乳腺肿物良恶性预测算法在多中心、标准化和可靠性等方面需要进一步完善。本文从基于手动设计特征的分析到深度特征的分析,并将手动设计特征、深层特征融合临床参数以改善乳腺X线图像肿物良恶性预测表现。论文的主要工作总结如下:首先,基于传统影像组学方法,本文进行乳腺X线图像肿物良恶性预测。肿物影像特征复杂多变,通过高通量的提取不同类型的差异性特征,将增加乳腺肿物良恶性之间纹理特征的可分性。本文基于手动设计的特征,训练分类器以进行判别分析。实验表明,通过支持向量机(Support Vector Machine,SVM)分类器有效证明了纹理特征具有预测肿物类别的能力。然后,考虑到传统影像组学特征的分析结果还有待进一步提高,而深度网络在图像诊断领域的优势明显,因此提出了一种深度融合网络算法预测乳腺肿物良恶性。基于ImageNet预训练网络,引入多级融合结构,构建VGG16与Inception V3深度模型融合网络,探索从乳腺X线摄影提取深度纹理特征用于预测乳腺病变良恶性的可行性和准确性。实验表明融合模型的准确性要高于其它基础网络。最终,通过从浅层纹理的分析到深度学习的分析,结合临床参数,提出多模态特征融合的乳腺X线图像肿物良恶性预测算法。将训练的深度模型作为特征提取器提取深层特征,融合手动设计特征和临床特征,增加分类特征的多样性。此外,借鉴堆栈泛化的思想,三类特征分别学习SVM分类模型,其输出结果采取逻辑回归进行加权融合,以进行判别分类。最终,显著提升了乳腺肿物预测算法的预测性能。在上述理论方法创新的基础上,本文设计了乳腺X线图像肿物良恶性预测系统。整个系统主要实现了乳腺X线图像的处理(包括图像浏览、格式类型转换、图像增强、放大缩小、测量等多种功能)、乳腺癌的辅助决策以及信息的提取与数据保存。此外,还包括所提出算法预测精度的比较。最终,达到了实际应用的要求。