孤立性肺结节是大多数肺癌的早期呈现形式,在肺癌的早期诊断中,肺结节的检出至关重要。随着临床对病灶区域成像的精度要求不断提高,为了提高肺结节的检出率,需要采用薄层扫描CT技术,可精确显示人体微小的组织及各种原发病灶的结构影像。在高分辨的薄层扫描下,CT影像数据会呈现爆炸式增长态势,势必增加医生的工作量,导致发生误诊和漏诊情况。计算机辅助检测是利用图像处理技术和医学影像学诊断方法进行医学图像中病灶区域的辅助检测的,与人工阅片相比,能够比较客观的进行图像分析,可以有效地实现肺结节的检测,这不仅会减少医师工作量提高诊断效率,也对提高肺癌患者生存率具有重要意义。因此,对肺结节计算机辅助检测方法的研究是医学影像学研究中的热点。肺实质序列图像的快速精确分割是后续肺结节检测的基础。针对以往肺部CT序列图像肺实质分割算法中,肺顶部和肺底部图像分割的不彻底性,序列图像分割时效性低等问题,提出一个基于超像素和自生成神经森林的肺实质序列图像分割方法。首先获取肺部CT序列ROI图像,再对其进行超像素序列图像分割,得到超像素样本,接着采用遗传算法优化的自生成神经森林聚类算法对超像素样本进行聚类,最后根据聚类后的超像素集的灰度特征和位置特征识别分割肺实质区域。实验结果表明,该方法对能够有效地实现肺实质序列图像的完整分割。在二维CT图像中,血管和结节都呈现类圆形,且密度和CT值等属性都极为相似。在肺结节检测结果中,往往会有很高的假阳性,影响肺结节的检测准确率。为此,本文提出了一种基于多尺度增强滤波器和3D形状特征的肺结节自动检测方法。首先构建了肺结节和血管的理想模型,然后利用Hessian矩阵构建两种基于3D形状的多尺度增强滤波器,分别用于增强肺结节图像和血管图像,去除结节图像中的大部分血管图像,得到疑似结节图像,接着提出了一种新的肺结节特征描述子法向量角度直方图,并提取疑似结节的特征并用SVM分类器进行肺结节的分类。实验结果表明,本文方法可以有效地降低检测结果的假阳性,提高肺结节检测的准确率。这也进一步表明本文提出的肺结节特征描述子是有效的,可以用作区分结节和血管的依据。