乳腺癌是女性最常见的一种恶性肿瘤。“早发现早治疗”是目前乳腺癌防治的最有效手段,而乳腺钼靶X光检查是当下早期乳腺癌检查的主要方法。医生通过阅读乳腺钼靶图像,初步判断有无乳腺癌变。但这种初期诊断主要基于医生的主观判断,容易产生漏诊和误诊的情况。因此提升医生的阅片效率和诊断准确性对乳腺癌防治而言至关重要。随着计算机技术的发展,计算机辅助检测和诊断技术应运而生,它将医学图像技术与计算机科学技术结合到一起,为阅片医生在检测病变和给出诊断决策时提供辅助意见,帮助提高乳腺癌检测和诊断的效率和准确度。本文通过结合当下迅猛发展的机器学习、模式识别和图像处理技术,对乳腺病变计算机辅助诊断技术领域中的乳腺肿瘤诊断的若干关键性技术进行研究,主要分为以下三个部分:(1)乳腺钼靶图像分类。直接对乳腺钼靶图像进行图像级分类,可以通过少量带有肿块标注的图像和一些未标注的图像训练模型来实现,解决标注图像稀缺对当前乳腺癌计算机辅助诊断研究带来的困境。本文提出了一种基于融合特征的乳腺钼靶图像分类方法,对乳腺钼靶图像提取全局特征和局部信息,并将两者进行融合,采用得到的融合特征对图像进行分类。融合特征以一种更全面的角度来对图像特征进行概括,相比于只采用全局特征或局部信息,取得了更好的分类结果。(2)乳腺肿块病变检测。乳腺钼靶图像中的不同肿块病变往往有不同的大小尺度,有效的乳腺肿块病变检测方法应当能对乳腺钼靶图像中不同大小尺度的肿块病变都能有较好的检测性能。本文提出了一种基于多尺度特征的乳腺肿块病变检测方法,利用在自然图像检测领域取得较好性能的SSD网络,对来自不同特征层的预测结果进行集成,得到最终的检测结果。不同特征层的目标预测,针对的是原图像中大小尺度不同的目标,因此对于尺度不一的肿块病变也取得了较好的检测性能。(3)乳腺肿块病变分割。良恶性肿块病变的区别主要在于肿块的边缘特征,利用乳腺肿块病变分割来得到肿块的确定边缘,是乳腺钼靶图像分析中的一个重要步骤。本文提出了一种基于全卷积多层次模型的乳腺肿块病变分割方法,将不同层次的特征结合到一起对乳腺肿块病变进行分割。低层特征意味着更丰富的细节信息,高层特征代表着更抽象更全局的信息,将多层次特征进行结合,对肿块病变的分割更为准确。