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。

针对乳腺钼靶图像中良恶性肿块难以诊断的问题,提出一种基于注意力机制与迁移学习的乳腺钼靶肿块分类方法,并用于医学影像中乳腺钼靶肿块的良恶性分类。首先,构建一种新的网络模型,该模型将注意力机制CBAM(Convolutional Block Attention Module)与残差网络ResNet50相结合,用于提高网络对肿块病变特征的提取能力,增强特定语义的特征表示。其次,提出一种新的迁移学习方法,用切片数据集代替传统方法中作为迁移学习源域的ImageNet,完成局部肿块切片到全局乳腺图片的领域自适应学习,可用于提升网络对细节病理特征的感知能力。实验结果表明,所提方法在局部乳腺肿块切片数据集和全局乳腺钼靶数据集上的AUC(Area Under Receiver Operating Characteristics Curve)分别达到0.8607和0.8081。结果证实本文分类方法的有效性。