基于乳腺X线摄影检查的钙化诊断是现今乳腺癌诊断和筛查的首选手段,结合计算机辅助诊断技术,能够提高乳腺癌检出率并有效克服人工阅片的缺点,是一直以来研究的热点。许多研究者提出了不同的基于机器学习或者图像处理的流程方法对乳腺X线检查的钙化进行诊断,但是这些方法都存在假阳性率较高的缺点,严重限制其应用推广。基于此,本文从影像组学与卷积神经网络两个方面分别提出改进与创新,其主要工作如下:首先,本文简要地介绍了基于乳腺X线检查钙化的一系列表征和基于传统方法的钙化诊断流程,以及卷积神经网络的发展。其次本文总结了现有钙化诊断方式,利用形态学变换与小波重构等图像与处理方式实现了半自动的钙化分割方法。接下来,本文藉由膨胀操作尝试量化钙化的分布形态,并提取了一系列影像组学特征,使用不同的特征筛选方式和分类方式结合病人的临床特征对提取出一系列影像组学特征进行组合探究。同时,鉴于卷积神经网络在自然图像识别领域的良好判别效能,本文设计了基于影像组学指导的卷积神经网络深度特征筛选方式,并对筛选出的深度特征进行进一步的探究与解释。最后,本文通过中大附属肿瘤医院的真实数据来评估方法的效能,并与其他方法进行比较,表明所提出的方法能够很好地对病理进行诊断分析。综上所述,本文的主要工作成果在:(1)本文对传统的钙化检测、分割以及分类进行了整合,实现了一套自动诊断的流程和基于医师区域勾画的半自动钙化分割算法;(2)分析了现有针对钙化定量描述的影像组学特征,将用以描述钙化形态的特征进行拓展,结合膨胀操作对钙化分布进行描述,并通过不同的特征筛选方式与分类方式对这部分特征的诊断效能进行进一步的探究、给予临床解释;(3)藉由典型关联分析提出了基于影像组学指导的深度特征筛选方式,并对所筛选的特征进行进一步验证和尝试并对卷积神经网络的全连接层神经元尝试进行解释,探究其对于医师诊断的临床价值。