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。由于乳腺腫瘤區域相對較小,腫塊型和非腫塊型之間形態學差異大,非腫塊型自身差異性復雜,因而很難精確分割出乳腺腫瘤區域。針對這些問題,提出一套新穎的粗檢測細分割的深度學習模型(YOLOv2+SegNet)。該模型在精準分割之前,首先運用YOLOv2網絡在乳腺可能的腫瘤區域進行粗檢測,從而得到大致可能的腫瘤區域;接下來在粗檢測的基礎上,針對檢測到可能的腫瘤區域,運用SegNet網絡進行精細分割,從而實現算法最優的性能。為了驗證YOLOv2+SegNet模型的有效性,從醫院采集的數據集中選取560張乳腺MRI增強圖像作為訓練和測試(其中訓練和測試集分別為415張和145張乳腺MRI數據)。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數據進行腫瘤區域自動分割的實驗。實驗結果表明:YOLOv2+SegNet模型和SegNet網絡分割結果的Dice系數相比有約10%的提升,與傳統的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。