乳腺癌作为严重威胁着全世界女性的健康安全的恶性癌症之一,引起了社会各界的高度关注,目前针对乳腺癌,医学界并未给出明确起因,早期的筛查作为预防手段显得尤为重要,能有效减少乳腺癌的危害。临床上,乳腺癌筛查的方式主要为乳腺钼靶X线图像,它具有成像直观,无创伤,可靠性强等优点,且乳腺钼靶图像中肿块的大小以及状态可作为乳腺癌诊断的主要依据之一。临床上传统的诊断主要依赖于医师的从医经验,繁琐且耗时;同时,乳腺肿块的形态多样,肿块边缘呈锯齿状且十分模糊,这种复杂的医学影像组织结构容易对诊断造成干扰,此外,诊断的准确性和稳定性跟医师经验强相关。针对乳腺癌诊断的难点,越来越多的学者将深度学习引入到乳腺钼靶图像肿块分割之中,通过深度学习技术不仅可实现乳腺钼靶图像特征的自动学习,还能实现更准确的乳腺肿块分割,对乳腺癌的早期预防与诊疗具有重要意义。本文重点在基于深度学习的基础上对乳腺钼靶X线全图像肿块分割进行了研究,主要工作内容及创新点如下:1.设计了密集跳跃式连接的多尺度网络结构。密集跳跃式连接多尺度网络具有非对称的编码-解码器结构,能有效地保留图像的low-level和high-level特征;同时,这样的连接方式使得高层网络能更充分的提取图像高分辨信息,有效提升具有复杂边缘的乳腺肿块分割的准确度。2.设计了注意力引导的融合上采样模块。该上采样模块结合了Pixel Shuffle、DUpsampling上采样、并与注意力机制连接,该模块具体实现方法及优势如下:首先,通过Pixel Shuffle和DUpsampling上采样操作弥补了双线性上采样而造成的图像细节信息丢失;其次,通过将两次上采样特征进行融合避免丢失图像特征;最后,引入通道注意力模块和空间注意力模块以更好地模拟医师视觉注意力机制,有助于准确定位乳腺钼靶肿块信息,同时抑制图像中的其他干扰因素,使得网络专注于乳腺肿块特征的学习,实现肿块的精确分割。3.通过对全卷积神经网络的研究并结合以上不同模型的探索,提出了一种密集多尺度连接与注意力引导的上采样乳腺钼靶X线全图像肿块分割网络（Am UNet）,并在原始未经图像增强的全图像乳腺钼靶上进行乳腺肿块的分割实验,实现了端对端的肿块分割。4.本文提出的Am UNet分割模型在三个公开数据集CBIS-DDSM、Inbreast和lgg-mri-Segmentation进行了大量的实验。在实验中,基于以上公开数据库,本文同时对比了Attention-UNet、UNet++、Deep Lab V3+和Fusion Net（四种高效的全卷积神经网络）的乳腺肿块分割结果,得出以下结论:与以上四种全卷积神经网络分割结果相比,本文提出的Am UNet取得最高的分割相似度（Dice）,分别在CBIS-DDSM、DDSM感兴趣图像块（ROI）、INbreast和lgg-mri-Segmentation数据库上的肿块分割的平均Dice相似系数均值为81.4%、89.6%、78.9%和92.1%,实验结果再次证明了Am UNet的强大且专注的肿块分割性能,同时证明了网络具备良好的普适性。