肺癌是世界上死亡率较高的疾病,肺结节检测对肺癌的早期诊断起着重要的作用。虽然由肺部CT切片或X光片可以清楚地找到肺结节,但给放射科医师带来了巨大的工作量,也存在误诊的风险。计算机辅助诊断(CAD)是一种从CT扫描中发现肺结节的有效方法,人工神经网络的发展使得肺结节检测更加准确。针对目前基于神经网络算法依赖于大样本、训练占用大内存且耗时过长等问题,本文基于YOLO与级联CNN-LSTM提出了用于肺结节筛选和假阳性减少的神经网络结构,提高了对数据集的利用率,实现了神经网络的轻量化,解决了对数据集和计算机资源需求过高的问题。基于YOLOv3级联神经网络模型主要包含两个组成部分:1)YOLO网络用于检测候选肺结节;2)级联CNN-LSTM网络用于假阳性减少。首先通过YOLO网络检测出候选结节并记录所在位置,将检测到的肺结节3D图像切割为序列化的2D切片,然后通过级联CNN-LSTM网络提取2D图像之间的相关信息实现假阳性减少。本文提出了图像序列化及级联CNN-LSTM的思想,并阐述了对神经网络的优化。基于LIDC-IDRI数据集的实验表明,该模型对肺结节的分类准确率为91.78%,AUC(ROC曲线下面积)为93%,在训练时使用了更少的样本和内存空间,收敛的速度更快。