时代的进步,伴随而来的是环境的恶化和空气污染的加剧。现如今,恶性肿瘤,尤其是肺癌,已经成为威胁人们生命的健康的第一杀手。而肺癌的早期检测和诊治对于提高患者的存活率有着极大地益处。肺癌在临床上的早期表现大多为孤立的肺结节,CT图像显示为圆形或者类圆形的白色区域。如果不借助一定的手段,仅仅通过肉眼判断有相当大的难度。同时由于CT图像切片数量庞大,给放射科医生带来了极大的负担,容易造成一定的漏诊、误诊几率。故本文针对CT图像肺结节诊断中的图像分割和肺结节判断进行了研究,主要内容包括:(1)本文使用了一种肺部感兴趣区域分割方法。首先进行图像增强,采取限制对比度的直方图均衡法在不增加噪声的基础上又提高了图像的局部对比度,然后利用均值迭代法和形态学方法剥离出肺实质部分,最后继续使用形态学方法分离出ROI区域。(2)本文在原始的VGGNet网络模型结构的基础之上,对于后三层的全连接层进行了相应的改进,使用卷积层代替全连接层,同时对相应的卷积层采取降维、增加非线性变化的操作,设计了改进的卷积神经网络模型架构,保持模型的准确率的同时,加快了网络的训练速度。(3)通过与原网络模型以及其他经典模型进行对比,本文所采用的改进后的模型在准确率、敏感度、特异度等方面均达到了较高的水准,分别为90.51%、90.57%、90.38%。