乳腺癌是女性常见的恶性肿瘤,威胁着全球女性的生命健康。研究表明,早发现早治疗能够有效降低乳腺癌导致的死亡率。乳腺钼靶X线摄影术因其便捷可靠的特性,成为了乳腺癌早期检查和诊断的首选方法。临床上大多是放射科医师对乳腺钼靶X线图像阅片并给出诊断意见,但人工阅片面临着耗时费力,主观影响,水平不一等问题。因此,基于乳腺钼靶X线图像的计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统被提出为放射科医师提供可靠的“第二意见”辅助诊断,提高乳腺疾病诊断的精度,效率和一致性。本文针对乳腺钼靶X线图像的CAD系统中两个重要环节——乳腺异常分类和肿块分割进行了深入研究,开展的主要创新性研究及贡献总结如下:1.基于深度学习的乳腺异常分类。受到对侧乳腺钼靶X线图像能够提供左右乳腺组织的对称性差异这一事实的启发,本文提出了一种端到端的双边残差神经网络(Bilateral Residual Network,Bi-ResNet)自动对对侧乳腺钼靶X线图像进行正常/异常分类。具体的,设计并行的ResNet同时处理一组对侧乳腺钼靶X线图像,并分别从左右乳腺组织中提取具有辨别力的特征表示,最后简单的特征连接策略被用于整合差异特征从而实现异常分类任务。本文提出的Bi-ResNet基于不同的主干网络能够实现可复现的和相似的结果,并且无论是自动化程度还是分类性能,都优于传统的对侧分析策略。最终,Bi-ResNet在共计10480张乳腺钼靶X线图像的DDSM公开数据库上达到了0.908的异常分类AUC,充分证明了模型的有效性。通过大量的实验,本文认为Bi-ResNet是稳定和鲁棒的,并有潜力在未来被推荐到临床应用中。2.基于深度学习的乳腺肿块分割。乳腺钼靶X线图像中的肿块分割是乳腺癌CAD算法设计中一个重要且具有挑战性的课题。本文提出一种新颖的多级嵌套金字塔网络(Multi-level Nested Pyramid Network,MNPNet)用于处理乳腺钼靶X线图像肿块分割中广泛存在的类内不一致和类间不分明问题。MNPNet由编码器和解码器组成。前者通过在修正的ResNet-34产生的特征金字塔上多级嵌套空洞空间金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块,以一种多级多尺度的方式编码上下文信息,低级细节信息和高级语义信息。后者通过一系列简单且高效的双线性上采样和特征融合操作沿着肿块边界修正分割结果。本文提出的MNPNet在两个最常使用的乳腺钼靶X线图像肿块分割数据库INbreast和DDSM-BCRP上进行验证,并分别取得了91.10%和91.69%的DI值,且无需任何的预/后处理。