近红外光谱断层成像是一种可以获得乳腺组织内部光学特性，弥补传统乳腺影像学检查方法的不足，具有无创无辐射、高特异性等特性，在乳腺成像中有重要应用价值的光学成像技术。近红外光谱断层成像系统对该技术在乳腺疾病临床诊断中的应用起着重要的作用。然而，近红外光谱断层成像系统的空间分辨率低，限制了其在乳腺成像中的应用。将连续波模式与频域或时域测量模式相结合，并融合临床用的数字乳腺断层摄影、超声或核磁共振成像等技术有助于解决上述问题。先对近红外光谱断层成像系统的测量模式、多模态系统和多模态融合技术进行梳理、对比，然后介绍了该技术在乳腺成像中的最新应用，进一步讨论了乳腺近红外光谱断层成像系统未来的发展方向。

提出一种基于盲源分离（BSS）从多角度投影提取出任意深度聚焦层的数字乳腺层析合成摄影（DBT）重建算法。首先，通过DBT成像设备采集乳腺的多角度投影，并对投影进行校正、对数变换等预处理工作；然后以中心投影为基准，根据成像几何将多角度投影通过位移聚焦到所选的重建深度z处；最后，将位移后的多角度投影视为由一个聚焦层内信息和若干层外信息构成的线性组合，进而通过BSS将聚焦层信息分离出来，由此快速重建出乳腺厚度范围内任意深度z处的层面。以中心投影为参考，将位移叠加（SAA）法、滤波反投影（FBP）法、最大似然期望最大化（MLEM）3种当前DBT重建的主要算法与所提重建算法进行比较，4种算法对原投影的噪声污染的改善程度分别为13.4%、18.8%、88.5%、73.6%，图像对比度分别下降83.7%、81.4%、74.6%、10.7%，与中心投影的特征相似性分别为0.841、0.866、0.861、0.886，结构相似性分别为0.596、0.594、0.628、0.787，伪影扩散平均值分别为0.571、0.254、0.189、0.146。此外所提算法的重建速度小于SAA、FBP，但比采用2次迭代的MLEM高56.0%，因此所提算法在降低噪声、保持细节、抑制伪影、重建速度方面的综合性能优秀，且随着BSS技术和计算机硬件水平的快速发展而不断提高其分离重建性能，因此所提算法是一种实用性强、极具发展潜力的DBT重建算法。

针对医学超声图像的分辨率低而导致视觉效果差的问题，使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法，通过减少 2个输入通道和删除 1个残差块对该网络的结构进行更改，并且改进网络损失函数，新增模糊处理数据集，使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点，从而重建出放大 4倍的边缘清晰没有伪影的医学超声图像。将改进 SRGAN与原始 SRGAN的结果相比，峰值信噪比(PSNR)和结构相似性(SSIM)分别有 1.792 dB和 3.907%的提升; 与传统双立方插值的结果相比，PSNR和 SSIM分别有 2.172 dB和 8.732%的提升。

乳腺癌手术中常因缺乏快速准确的组织性质检测手段而导致组织过度切除或手术时间延长。利用组织自体光谱的检测手段因具有速度快、灵敏度高、选择性强以及无创性等优势而受到越来越多的关注。因此，针对乳腺癌寻求高效精准的光谱诊断特征并研究其内在根源具有重要意义。笔者以355 nm亚纳秒序列脉冲激光作为激发光源，采用自主搭建的激光诱导稳态荧光光谱系统对多例乳腺恶性肿瘤组织和正常乳腺组织开展自体荧光光谱实验研究。对两类组织样本的光谱特征进行比较分析，提出了基于430 nm附近光谱特征差异的特异性甄别方法，并比较了三种荧光比值法的甄别效果。进一步的光谱拟合分析揭示了实验测得的乳腺组织自体荧光主要来自4种内源性荧光物质的贡献，而癌变组织的光谱特征变化主要源于还原型辅酶Ⅰ（NADH）的增加以及NADH结合性蛋白的减少。本文提出的乳腺癌变光谱甄别方法特异性显著，生物学根源清晰，能够为临床快速检测应用提供新的技术方法参考，尤其是能为保乳手术中的切缘快速检测提供崭新的视角。

相较于传统非偏振光学表征方法，Mueller矩阵成像偏振（MMIP）法可以表征丰富的生物组织微观结构，在癌症病理诊断方面有着巨大的应用潜力。研究了机械拉伸下不同生物组织结构的MMIP表征，在MMIP系统的基础上增加机械拉伸模块，通过机械拉伸改变生物组织的光学特性。采用Mueller矩阵极化分解方法提取了可以表征介质基本偏振特性的2个表征参数，即二向色性（D）和散射退偏（Δ）。以乳腺导管内癌组织及正常乳腺组织为研究对象，分析了不同组织结构之间表征参数的平均值差值的变化趋势及其变化率在机械拉伸作用下的变化规律。结果表明：在机械拉伸作用下，不同组织结构之间的D参数平均值差值呈减小趋势，差值变化率最大可达7.9%，Δ参数平均值差值亦呈现减小趋势，差值变化率最大可达12.7%。研究结果为基于偏振成像的癌症病理诊断提供了参考。

乳腺炎是奶牛生产养殖中最为严重的疾病之一, 奶牛乳腺炎的早期检测可以为后续治疗提供依据, 从而提高疾病治疗效率, 降低养殖风险。 为了对自然行走的奶牛实现快速、 高精度的“一步式”乳腺炎疾病检测, 提出了一种基于热红外图像, 融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。 相对于现有的“多步式”奶牛红外图像乳腺炎检测方法, 该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等, 可有效避免“多步式”造成的误差累计, 从而实现更高效的乳腺炎检测。 首先, 将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片, 结合RandAugment数据增强方法扩增训练样本; 其次, 采用ResNet34残差网络作为实验的基础网络, 并根据热红外图像特性对模型进行如下改进: (1)精简网络内部冗余层使得模型更轻量化; (2)中间层添加辅助分类器弥补由于模型精简带来的特征损失; (3)将改进的多融合池化层代替原有单一池化层, 使得特征提取内容更丰富。 随机选取3 298张热红外图像(66头奶牛)作为实验对象, 并设置多组对比实验, 结果表明: 与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%, 基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%, 测试准确率为88.4%, 分类时间仅需3.39×10-3 s。 为了保证实验数据集的样本独立性, 进一步将奶牛个体数量按照3∶1∶1划分为训练集、 验证集和测试集, 测得模型测试准确率达到80.3%, 证明所提出模型具有很好的鲁棒性。 根据测试结果, 计算出模型查准率为91.2%、 查全率为91.6%、 F1分数为91.4%, 与前人所做实验相比准确率提高了5.1%, 特异度提升5.3%。 该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。

研究一种精确、可靠的乳腺病灶分割算法，从钼靶图像中提取肿块区域，以用于乳腺疾病的精细诊断。为了有效增强分割结果的高阶一致性，在网络框架中引入对抗网络，网络框架主要由分割网络和判别网络组成。采用改进的U-Net++网络作为分割网络，生成乳腺肿块分割图谱（掩码），而判别网络对分割产生的掩码和真实的掩码进行识别，进一步增强分割网络的性能。在公开数据集（CBIS-DDSM）上验证所提方法的有效性。实验结果显示，所提方法得到的特异性、敏感度、准确性、Dice系数分别为99.7%、90.4%、98%、91%，高于现有其他经典算法。改进模型（U-Net++）与生成对抗网络相结合的深度学习算法可提高钼靶图像中对乳腺肿块的分割性能。

针对基于深度学习的乳腺癌诊断中小肿块和互相遮挡肿块易被漏诊的问题，提出了一种用于乳腺肿块检测的改进型YOLOv3算法。首先，在特征融合模块中添加了自底向上的路径，并采用级联和跨层连接的方式充分利用底层特征信息，提高了小肿块的识别精度；其次，为了筛选出更精确的预测框，避免互相遮挡的肿块出现漏检的情况，在软非极大值抑制（Soft-NMS）算法中引入了距离交并比（DIoU）来抑制冗余的预测框。实验结果表明，所提乳腺肿块检测算法在检测小肿块和互相遮挡的肿块方面有较高的准确率和速度，平均均值精度（mAP@0.5）达到了96.1%，相比于YOLOv3提高了1.8个百分点，且每张钼靶图像的检测时间仅为28 ms。