肺癌是死亡率最高的癌症,其早期诊断和治疗有利于提高肺癌的5年存活率。肺结节是肺癌的早期表现形式,其检测是肺癌早期诊断的必经步骤,具有至关重要的意义。本文提出了利用三维卷积神经网络进行肺结节检测的方法,该网络可以自动学习一些高层特征,而无需人工设计特征,在假阳性较少的情况下,检测敏感度高。肺结节候选检测部分采用三维全卷积网络。本文设计了2个三维全卷积网络:多尺度全卷积网络(FCNet_RF17-33)和U-Net(U-Net_RF33)。这2个网络能结合肺结节不同层面的特征。在训练过程中,以相同比例在预处理后的CT图像中的结节区域和其他非结节区域随机截取图像块作为网络的输入,网络的输出为与输入中心区域对应的肺结节概率图。在测试过程中,通过滑窗法获取整个CT图像对应的肺结节概率图,对该图进行后处理得到肺结节候选位置。利用LUNA16比赛采用的数据作为测试集,本文提出FCNet_RF17-33网络的敏感度为97.5%,假阳性为68.7FPs/scan,U-Net_RF33网络的敏感度为96.4%,假阳性为14.8FPs/scan。减少假阳性数目部分采用三维卷积神经网络。提出了2个三维卷积神经网络Basic8和Deep11来对肺结节候选进行分类,其中Basic8有8层,包括4个卷积层,Deep11更深,包括8个卷积层,总共11层。通过不同网络组合的对比,最终在候选检测阶段采用U-Net_RF33网络,在减少假阳性阶段采用Basic8网络,以此作为本文提出的计算机辅助肺结节检测系统的最终方案,该方法中采用的网络结构简单,当敏感度为94.4%,假阳性为2FPs/scan,竞争性能指标为0.898。