乳腺癌是一种严重威胁妇女生命健康的疾病。及早发现和治疗是挽救患者生命健康的唯一有效途径。乳腺X线摄影是目前应用最广泛的乳腺癌影像学检测手段,但由于隐匿性乳腺癌病灶在X线影像中表征不明显,而且影像学排查过程中会产生大量图像信息,易引起医师阅片疲劳和误诊、漏诊。随着人工智能和机器视觉技术的飞速发展,计算机辅助技术开始逐步被引进到医学影像学领域,辅助人工阅片,以提高检测和诊断的准确度。计算机辅助检测技术在乳腺癌检查中的应用可以说是比较成功的,并已经推出了实用有效的商用系统。临床实践表明,乳腺癌计算机辅助检测系统能够辅助医生提高乳腺癌检出率,挽救患者的生命。然而,目前的乳腺癌计算机辅助检测系统在病灶检测上,特别是乳腺肿块的检测性能上还有提高空间,系统的假阳性率还普遍较高。因此,目前乳腺癌计算机辅助检测系统的主要技术问题之一就是如何使系统既有较高的病灶检测灵敏度,又可以产生较少的假阳性结果。本文拟在前人的基础上,构建一种高灵敏度、低假阳性率的乳腺肿块辅助检测系统。本系统采用了形态学增强与超像素SLIC算法相结合的肿瘤分割方法,有效且准确的将乳腺肿块与周围区域分离开来。随后,本文设计一种基于规则的可疑区域筛选算法,构建出描述肿块的模型,挑选出疑似为肿块的感兴趣区域。在得到感兴趣区域后,本文采用无需重初始化的水平集方法——DRLSE,对可疑区域边缘进行优化,使其更加接近肿块的实际边缘。最后,我们的对这些可疑区域提取尺寸、形状、灰度和纹理等特征,采用能够解决不平衡数据集分类的组合学习机EUS SVMs对可疑区域进行分类,得出最终检测结果。在DDSM乳腺X线图像数据上的测试表明,本系统能够取得高于90%的基于病例的灵敏度,而且平均每图中只产生少于1.1个假阳性结果。总而言之,本文结合了多种有效的图像处理算法,设计了一种新型的乳腺X线图像肿块计算机辅助检测系统。该系统既可以达到较高的灵敏度,又能够保持较低的假阳性率,为计算机辅助诊断系统的研究提供了新思路。