国家癌症中心的最新数据显示,肺癌在所有恶性肿瘤发病率和死亡率的排名中,均处于首位,严重威胁着人们的生命安全。肺癌存活率与确诊时的疾病阶段高度相关,早期诊断不仅能够减少治疗费用,更能将生存几率提升至60%以上。由于肺癌患者在早期少有明显症状,难以确诊,利用基于医疗影像学的肺结节检测技术辅助诊断,成为肺癌筛查的重要手段。现有的很多肺结节检测算法在实用性上有很大的问题。一方面,实验数据规模过小,实验结果的可信度不够;另一方面,肺结节种类多样,不同类型之间,形态、密度都存在较大的差异,而检测算法往往只针对某一种结节,难以在所有情况下都取得较好的检测效果。本文针对目前存在的问题,结合深度网络框架,从数据增强和特征选择两个方面切入,在收集整理数据集的同时,逐步改进肺结节检测框架。我们重点研究了数据增强、初步检测和误检删除三个关键的功能模块,做出了如下的创新性工作:(1)数据跨模态对齐。高质量、大规模的训练数据,对提高模型性能具有重要意义。单一的数据集规模偏小,而不同的数据集之间,由于成像设备不同,存在一定的模态差异,无法直接混合使用。本文基于循环一致生成对抗网络(Cycleconsistent Generative Adversarial Network,CycleGAN),将两个不同数据集中的图像进行模态转换,使得训练数据保持模态一致性,从而在算法检测率上提高了2%。(2)从计算机断层扫描(Computed Tomography,CT)切片中提取出肺结节的候选区域,是整个检测框架的核心模块。针对5mm以上的厚扫切片,我们在经典的聚合通道特征(Aggregate Channel Feature,ACF)检测框架下,手工定义特征,有效刻画结节与血管等人体组织的差异,完成结节预检测,达到91%的检测率。(3)深度卷积特征能够有效弥补手工提取特征的局限性,对于难例的筛检具有重要作用,由于薄扫切片中存在更多的小结节,我们在更快的基于候选区域的卷积神经网络(Faster Region-based Convolutional Neural Network,Faster-RCNN)检测网络中,添加反卷积层,有效解决了检测难例尺度过小的问题,极大地减少了结节候选区的漏检。(4)强分类误检筛除。为了保证召回率,预检测过程往往具有极高的误检率,利用强分类器对候选区域进一步筛查,可以有效减少假阳性。本文基于薄扫CT序列在横断面上的空间特征,构建三维卷积神经网络(3-Dimension Convolutional Neural Network,3D CNN),训练分类器,降低每组数据的误检数量。