摘要：乳腺磁共振增強(qiáng)圖像上,乳腺癌主要有腫塊型和非腫塊型兩種強(qiáng)化方式。由于乳腺腫瘤區(qū)域相對(duì)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(duì)這些問題,提出一套新穎的粗檢測(cè)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(yùn)用YOLOv2網(wǎng)絡(luò)在乳腺可能的腫瘤區(qū)域進(jìn)行粗檢測(cè),從而得到大致可能的腫瘤區(qū)域;接下來在粗檢測(cè)的基礎(chǔ)上,針對(duì)檢測(cè)到可能的腫瘤區(qū)域,運(yùn)用SegNet網(wǎng)絡(luò)進(jìn)行精細(xì)分割,從而實(shí)現(xiàn)算法最優(yōu)的性能。為了驗(yàn)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M(fèi)RI增強(qiáng)圖像作為訓(xùn)練和測(cè)試(其中訓(xùn)練和測(cè)試集分別為415張和145張乳腺M(fèi)RI數(shù)據(jù))。在實(shí)驗(yàn)的過程中,運(yùn)用YOLOv2+SegNet模型,分別對(duì)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(jìn)行腫瘤區(qū)域自動(dòng)分割的實(shí)驗(yàn)。實(shí)驗(yàn)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(dòng)輪廓模型以及深度模型U-net、DeepLab相比有更為明顯的提升。