摘要：乳腺磁共振增強圖像上,乳腺癌主要有腫塊型和非腫塊型兩種強化方式。由于乳腺腫瘤區(qū)域相對較小,腫塊型和非腫塊型之間形態(tài)學(xué)差異大,非腫塊型自身差異性復(fù)雜,因而很難精確分割出乳腺腫瘤區(qū)域。針對這些問題,提出一套新穎的粗檢測細(xì)分割的深度學(xué)習(xí)模型(YOLOv2+SegNet)。該模型在精準(zhǔn)分割之前,首先運用YOLOv2網(wǎng)絡(luò)在乳腺可能的腫瘤區(qū)域進行粗檢測,從而得到大致可能的腫瘤區(qū)域;接下來在粗檢測的基礎(chǔ)上,針對檢測到可能的腫瘤區(qū)域,運用SegNet網(wǎng)絡(luò)進行精細(xì)分割,從而實現(xiàn)算法最優(yōu)的性能。為了驗證YOLOv2+SegNet模型的有效性,從醫(yī)院采集的數(shù)據(jù)集中選取560張乳腺MRI增強圖像作為訓(xùn)練和測試(其中訓(xùn)練和測試集分別為415張和145張乳腺MRI數(shù)據(jù))。在實驗的過程中,運用YOLOv2+SegNet模型,分別對乳腺腫塊型、非腫塊型、腫塊和非腫塊混合型3類MRI數(shù)據(jù)進行腫瘤區(qū)域自動分割的實驗。實驗結(jié)果表明:YOLOv2+SegNet模型和SegNet網(wǎng)絡(luò)分割結(jié)果的Dice系數(shù)相比有約10%的提升,與傳統(tǒng)的C-V模型、模糊C均值聚類、光譜映射主動輪廓模型以及深度模型U-net、DeepLab相比有更為明顯的提升。