梁楠，赵政辉，周依，武博，李长波，于鑫，马思伟，张楠

1.首都医科大学生物医学工程学院，北京100069；2.首都医科大学临床生物力学应用基础研究北京市重点实验室，北京100069；3.北京大学数字媒体所，北京100871；4.北京大学数学与应用数学实验室，北京100871；5.河南大学影像研究所淮河医院放射科，河南开封475000

前言

乳腺癌是一种比较常见的癌症，发病率在所有女性癌症中占比30%［1］。在临床上，乳腺X 射线影像常用于初期乳腺癌的筛查并且可以为早期诊断提供重要的临床依据［2］。由于乳腺癌的早期症状非常轻微，每个人的乳腺腺体分布及致密的程度存在差异，很难将病灶与类似的乳腺腺体区别开来。因此，对于早期的乳腺癌筛查，采用乳腺X 线摄影进行高精度、自动化的病灶检测是很有意义的。

根据美国放射肿瘤学会（ASTRO）最新版乳腺成像报告与数据系统（BI-RADS）［3］以及最新版中国抗癌协会乳腺癌诊治指南与规范［4］，描述乳腺癌X 线摄影图像的征象包括肿块、钙化、结构扭曲、不对称征象、乳腺内淋巴结、皮肤病变、单侧导管扩张、相关特征及部位病变。肿块是乳腺癌常见的病变类型，可将肿块从边缘、形态和密度3 个方面进行描述，肿块的形态描述分为圆形、卵圆形和不规则形3类。参考BI-RADS 评估分类方法，病灶的形态为临床医生诊断病灶的良恶性提供了可靠的依据。本文对乳腺X线摄影图像中的肿块进行了研究。

深度卷积神经网络提取大量特征的能力十分强大，是目前最流行的机器学习算法，在图像分类［5-6］、图像分割［7-8］、目标检测［9-10］等计算机视觉任务的应用中迅速发展。……