乳腺癌是女性最常见的恶性肿瘤,由于其发病率较高,受到广泛研究人员的关注。研究表明,通过筛查能预防乳腺癌,发现病灶并及时做出诊断,从而极大程度降低乳腺癌的死亡率。数字乳腺断层成像技术（Digital Breast Tomosynthesis,DBT）是通过X射线管一定范围内的旋转曝光,将得到的一系列二维影像重建为平行于探测器的影像。基于DBT的影像减少了以往X射线影像中所存在的组织重叠问题,使局部特征成像更加清晰。但由于其成像序列存在数十张影像,增加了医生的阅片工作量。因此需要研发基于DBT影像的计算机辅助诊断系统（Computer Aided Diagnosis,CAD）来减轻医生的阅片负担,提高诊断效率。目前在DBT影像病灶的智能诊断研究领域,大多采用传统机器学习方法。其步骤繁琐,需要手动标注感兴趣区域,建立分类器实现。随着深度学习算法的流行,开始有学者应用深度学习实现DBT影像的检测、诊断。然而其仅使用深度学习实现单一检测或者诊断任务,并仍需要人为从影像中确定感兴趣区域,未实现完全的自动化,在软件适用性方面存在问题。本研究以研发智能辅助诊断系统为目标,展开微钙化簇检测,肿块检测、分割及其诊断的辅助诊断方法研究,具体如下:（1）微钙化簇检测研究实现DBT影像中微钙化簇的快速、准确定位。本文通过目标检测网络Faster RCNN（Faster Region based Convolutional Neural Networks,Faster RCNN）模型结合断层筛选、融合策略,实现DBT影像微钙化簇的智能检测。研究结果显示,通过该方法建立的模型,选用Res Net101作为主干网络的情况下,在灵敏度为0.95时,每个视角平均假阳性结果为0.15个。（2）肿块检测、分割与诊断研究DBT影像肿块的智能辅助诊断方法研究是本研究的重要组成部分。本文设计了基于不同主干网络的Efficient Det检测模型在二维DBT影像上的肿块检测、诊断多任务学习方法,通过筛选融合得到序列的辅助诊断结果。其中使用Efiicient Det-D0模型在测试集上综合表现较好,在灵敏度为90%时,平均每个视角影像假阳性结果检出0.24个。本研究又基于Mask Scoring-RCNN模型,选用Res Net101主干网络构建二维DBT影像肿块检测、分割及诊断的多任务模型,其像素精度达到0.63,平均每个视角影像检出假阳性结果0.42个。两类模型在检测结果的良恶性诊断上,未取得明显优势。因此本研究基于DBT三维肿块数据,使用传统机器学习方法与3D-Res Net展开良恶性诊断研究,并对比两类实验方案与结果。使用传统机器学习方法,从提取的影像组学特征中递归筛选46个特征,以GBDT作为分类器取得了0.91的AUC,而使用多阶段迁移学习的3D-Res Net网络AUC值达到0.86。（3）DBT影像智能辅助诊断原型系统研发本研究结合当前影像浏览软件特点,从软件设计方面以及实用性角度出发,研发智能辅助诊断软件。选用Faster-RCNN（主干网络Res Net101）模型实现钙化检测,Mask Scoring-RCNN模型实现软件的肿块检测、分割。虽然传统机器学习方法在测试结果上表现出优越性,但本研究以实现影像诊断的全自动化为目的,选用3D-Res Net模型实现肿块诊断。由于深度学习模型参数量庞大,对运行环境有一定要求。本研究将算法模型部署在远程工作站,将运算交由具备强大算力的计算机进行,通过网络通信实现智能诊断。使用该方案不仅可以获得深度学习算法所预测的高精度结果,更通过降低对运行环境的要求,助于智能辅助诊断软件在实际应用中的推广。