医疗影像的自动化检测识别精度的提升是提高病理科医生工作效率的关键,乳腺钼靶片中肿块的检测识别作为医疗图像自动化检测识别的重要组成部分,是目前学术界以及工业界研究的热点方向,通过提升对乳腺肿块检测、识别的准确率对于医生的实际工作以及普及肿块筛查具有非常重要的意义。卷积神经网络作为一种仿生物视觉机制的工作模式,在强监督学习下通过其独有的特性参数间的共享信息以及各层之间的连接稀疏性能够让学习到非常细小的图像特征,但在医学图像上的应用仍旧存在非常多的问题,这也是由于医学图像自身图像信息复杂、组织区别细微、特殊情况需要结合多幅视图特征等原因造成的同时医学图像标注复杂。本文针对模型做出了以下改进:(1)在经典的全卷积神经网络的基础上提出了一种基于主动学习策略和金字塔池化的检测算法。一方面通过引入主动学习的训练策略,减少了数据的标注工作量;另一方面由于钼靶影像上组织区别细微且不同病患之间肿块尺寸差异性非常大,通过对卷积层提取到的特征进行不同大小的池化拼接,增强了算法的泛化能力。(2)在医生的实际工作流程中要进行判断的时候是要结合多视图的基础上提出了一种基于双视图的肿块匹配算法。通过VGG16网络模型,提取同一病患不同视图的肿块特征,进行高维拼接,再结生理特征信息如肿块大小、距离信息最终来判断两个肿块是否为同一肿块。通过这种方法的改进可以模拟医生的实际工作流程,一方面在检测的阶段如果一侧视图存在误检,看在另一幅视图中是否存在相匹配的肿块降低误检率,另一方面后续的良恶性分类定级在一侧视图特征不明显的情况下可以找到其匹配的肿块结合分析。本文算法实验结果表明,基于主动学习和金字塔池化的检测算法对灰度图像中的乳腺肿块检测识别recall值达到了90%以上。双视图的肿块匹配算法在匹配识别上也能够达到0.138的FPI。