肺癌作为对生命威胁最大的癌症之一,发病率和死亡率一直以来都居高不下。而非小细胞肺癌占全部肺癌患病人数的85%。一般来说一旦发生了肿瘤转移,患者的生存期和预后也会变得更差。通过计算机辅助诊断是否发生淋巴结转移,可以以非侵入的方法计算出淋巴结发生转移的几率,进一步地给放射科医师提供必要信息从而提高诊断准确性,帮助改善病人存活期和预后。正电子发射断层扫描-计算机断层扫描（PET-CT）图像被认为是评估、分期、诊断肺癌的首选成像方式。影像组学是指从医学图像中提取和分析高维可挖掘数据,是癌症风险评估的重要预后工具。因此,本文从PET-CT图像中获取影像组学的信息,并用深度学习方法对非小细胞肺癌患者是否发生淋巴结转移做出了辅助诊断。主要研究如下:（1）基于深度学习的非小细胞肺癌淋巴结转移辅助诊断。本研究提出了一种端到端的深度学习体系结构,融合传统影像组学特征、深度学习特征、临床特征以及医生诊断进行淋巴结转移辅助诊断。首先从患者的PET图像中提取传统的影像组学特征,再用曼惠特尼U检验将存在显著差异的特征筛除;其次,分别利用三维卷积神经网络和二维卷积神经网络提取三维原发肿瘤和二维正面半身最大强度投影的深度学习特征;最后将传统影像组学特征和深度学习特征进行融合,再加入临床特征和医生诊断结果,对淋巴结是否发生转移做出诊断。本文在121例非小细胞肺癌患者的PET-CT影像和临床数据上进行研究。在测试集上该模型达到了0.82的AUC和0.86的精确度,明显优于医生诊断（AUC:0.61,精确度:0.80）,具有更好的性能,证实了融合多种特征能以非侵入的方式辅助诊断是否发生非小细胞肺癌淋巴结转移。（2）两阶段的非小细胞肺癌淋巴结转移辅助诊断。本研究提出了一种两阶段的深度学习架构,通过分割任务使网络关注感兴趣区域,自动学习分类特征,消除测试阶段模型对医生勾画的金标准的依赖。首先在第一阶段使用一个分割网络对正面半身最大强度投影图像进行肿瘤分割,大致定位肿瘤区域,作为第二阶段三维肿瘤特征提取时的测试集处理依据;其次在第二阶段中利用三维分割-分类模型和二维分割-分类模型对三维肿瘤和二维正面半身最大强度投影提取深度学习特征;最后将两种深度学习特征融合,进行淋巴结转移辅助诊断。在测试集上该模型达到了0.74的AUC和0.84的精确度,证实了在测试集中不使用医生勾画的肿瘤金标准也能达到不错的性能。