Antecedentes: La masa en el seno es uno de los principales síntomas del cáncer de mama. La detección efectiva y precisa de masas mamarias en una etapa temprana sería de gran valor para el análisis clínico del cáncer de mama. Métodos: Desarrollamos un nuevo marco de detección de masas llamado GFNet. El GFNet se compone de tres módulos, incluida la extracción de parches, la extracción de características y la detección de masas. El marco de detección de masas mamarias desarrollado es de alta robustez y generalidad, ya que puede autoadaptarse a imágenes recopiladas por diferentes dispositivos de imagen. La detección basada en parches se implementa para mejorar el rendimiento. Se propone una nueva técnica de extracción de características basada en características de convergencia de campo de gradiente (GFCF) para mejorar la información de la masa mamaria y, por lo tanto, proporcionar información útil para el módulo de extracción de parches siguiente. Se diseña un nuevo método de reducción de falsos positivos combinando las características de textura y morfológicas en el parche de masa mamaria. Este es el primer intento de fusionar características morfológicas y de textura para la reducción de falsos positivos de masas mamarias. Resultados: En comparación con otros métodos de vanguardia, el GFNet propuesto mostró el mejor rendimiento en CBIS-DDSM e INbreast con una precisión de 0.90 a 2.91 falsos positivos por imagen (FPI) y 0.99 a solo 0.97 FPI, respectivamente. Conclusiones: El GFNet es una herramienta efectiva para detectar masas mamarias.