医学图像是当今医学诊查的主要方式,乳腺钼靶影像更是肿瘤及癌症筛查的首要方式,由于传统的钼靶影像需要放射科医生在几百张图片中进行人工的筛选,耗费大量的时间和精力甚至会漏检、误检。随着神经网络技术的日益成熟,越来越多的学者深度学习算法应用于医学图像的分割与识别中,目标检测算法是针对医学图像中的肿瘤检测最有效的手段之一。本文构建了标准的用于深度学习目标检测的乳腺钼靶X线肿瘤数据集,研究并实现了基于YOLOv3算法改进的肿瘤检测模型。本文主要工作如下:(1)针对缺少标准的可适用于深度学习训练的乳腺肿瘤图像数据集,根据与肿瘤医院的合作,采集近2000张乳腺钼靶X线图像,并通过数据均衡、数据增广、CLAHE算法预处理及部分数据去噪之后构建出10000张左右可用于训练与测试的标准数据集。(2)设计了基于YOLOv3的目标检测模型并将其应用于乳腺肿瘤图像的训练与检测实验之中,通过对实验结果的不断剖析和研究,对构建的网络模型进行不断的优化,首先将基于IOU的度量损失方式替换为GIOU回归损失方式以得到更好的位置关系,其次将原来YOLOv3的残差模块设计为小型的U型结构,每个尺度的特征图对应一个U型结构来提高网络对于局部特征的感知能力,搭建起肿瘤检测的模型YOLO-U。(3)基于肿瘤检测模型YOLO-U,对构建的标准乳腺钼靶X线数据集进行训练和测试,将YOLO-U模型与其他深度学习算法的各项实验结果及性能指标进行比对。研究结果表明,将IOU替换为GIOU及增加小型U型网络结构等方法之后,准确率及召回率等指标都有大幅度的上升,可以极大的改善YOLOv3算法的定位不准确的问题。本研究可以解决传统人工识别的繁琐,最大化的利用医学图像进行精确的医学诊断,帮助临床医生快速提取病灶信息及判断乳腺肿瘤类型,具有实用价值。