随着空气污染日益严重,肺癌已成为威胁生命安全的疾病,早期发现病变对及时治疗有重大意义。传统影像诊断方法耗时巨大并容易产生误诊漏诊,因此基于机器学习的智能化肺结节诊断系统因运而生。计算机辅助诊断技术需要对大量测试数据进行分析和处理,导致目标区域精确分割难、模式分类精度低、肺结节诊断时间长等棘手问题。针对上述问题,本文提出了三种肺结节诊断方法,具体研究工作如下:(1)分析了肺结节智能诊断技术的当前研究现状;概述了肺结节的形态特征、病理形成原因及其主流诊断方法;介绍了肺结节CAD系统的一般诊断步骤;阐述了图像预处理、图像分割、特征提取和模式分类等基本原理。(2)基于混合特征和支持向量机的肺结节诊断方法:由于采集的序列CT图像含有噪声,考虑到肺结节与血管的灰度信息相似,将均值漂移聚类算法应用于图像预处理;利用自适应阈值、孔洞填充与滚球相结合的方式得到肺结节候选;提取了混合特征,采用LDA对高维特征进行选择;将构造的精简测试样本集送入训练好的SVM模型中进行结节检测。大量仿真实验结果表明:预处理后的图像更利于ROI分割,提出的结节检测方案有效地提高了分类精度。(3)基于几何活动轮廓和逻辑回归的肺结节自动诊断方法:针对各项异性扩散算法没有考虑到图像梯度的特性,选用复合扩散系数函数对图像进行预处理;采用基于几何活动轮廓的算法对预处理后的CT图像进行多目标分割;针对结节良恶性定性诊断问题,采用基于Kriging插值法重构三维结节并提取三维混合特征;将构造的样本集输入PSO-LR模型中进行良恶性诊断分类。大量仿真实验结果表明:该诊断方法在图像去噪、肺结节候选分割、诊断精度上均占明显优势。(4)基于自动图像分割和随机森林的肺结节诊断方法:基于各项异性扩散算法,提出了结合梯度信息的扩散系数函数;采用固定初始分割轮廓的分割方案回避了手动定义种子点的棘手问题;将构造的高维样本集输入随机森林模型中进行结节诊断。大量仿真实验结果表明:该诊断方法具有良好的泛化能力,肺结节分割准确且提高了肺结节诊断效率。综上,基于LIDC-IDRI公开数据库中的海量CT图像,结合图像处理和数据分析,论文提出了效果显著的肺结节智能诊断方法,减少了诊断时间开销和计算复杂度,极大地降低医学影像模式识别难度并提高了肺结节诊断效率。