深度学习是近些年提出的一种具有广泛多层级结构的神经网络模型,其早先的应用研究主要针对图像识别领域。随着当前人工智能技术的快速发展,大数据与AI应用正在驱动数字化生活向智能化生活转变,智能计算系统将更加便捷、快速的帮助人们处理日常的工作并获取有用信息。当下已有的深度学习算法模型对于医疗图像的病变检测在部分领域已超越人类,计算机辅助检测行之有效的减少检查过程中出现的误诊或漏诊现象。微钙化簇是乳腺癌发病的早期表征,其诱发病变是危害女性健康的首要因素。由于微钙化簇的表征检测率很低,所以对其准确的识别与定位对乳腺癌的早期诊断具有重要意义。(1)为获取微钙化簇病灶在X线图像中的有效特征表达,本文基于WRI(Wide-Residual-Inception)卷积框架,提出FCE-Net(Fine-grained cascade enhanced)卷积神经网络模型。FCE-Net对于病灶特征的提取通过神经网络的多层级结构和层核神经元的多种类结构得到了提升,其中残差连接结构,在层级之间引入元素级权重累加来增强特征图输出变化的敏感程度,以解决网络深度导致梯度消失问题。针对微钙化簇的细节特征,多分支特征变化结构增强了神经网络宽度,解决网络参数过多导致的过拟合问题。(2)微钙化簇作为X线图像中的病变类别之一,有效的类别区分和区域定位是目标检测的核心。由于微小目标检测粒度较小,为此提出基于特征多尺度融合(MFF,Multi-scale Fusion of Features)的候选检测网络模型。基于FCE-Net获得微钙化簇的深度特征图上的每一个像素点都对应着原图上的局部感受野,其中包括微钙化簇和其它病灶。通过构建MFF候选检测网络,以二倍上采样融合多尺度特征,经并行回归计算和特征分类,得到微钙化簇置信度和区域坐标,最终对目标区域进行标签分类和边界回归。(3)FCE-Net+MFF深度神经网络模型在MIAS数据集上进行了实例验证,通过对比最小化损失函数在模型训练中带来的效率差异,集中区分训练误差和泛化误差带来的影响,最终将测试结果反馈并调整模型的参数设定。实验结果表明,有效的算法优化使得的神经网络模型的检测效率得到了有效的提升。本研究所提出的微钙化簇检测方法具有一定的实用性,可以在医疗图像检测以及癌症预防方面起到计算机辅助检测作用,并在今后的研究工作中继续深入探讨结合深度学习的目标检测算法。