肺癌是各种恶性肿瘤中死亡率较高的一种。致死数量多,五年生存率低。肺癌的初期表现并不突出,患者很容易错过及时的治疗,故定期、早期的筛查有助于肺癌防治,提高患者的生存率。CT因其高灵敏度和低辐射的优势,成为肺癌早期筛查的第一选择。而肺癌CT扫描上的早期形态之一就是肺结节,放射科医生会根据结节对患者进行诊断。故准确的检测肺结节并给出恶性概率对于肺癌诊断非常重要。肺癌计算机辅助诊断系统可以辅助放射科医生检测CT影像上的结节位置并给出良恶性,很有效的减轻了医生的工作压力。目前,深度学习算法在肺癌辅助诊断领域逐渐占据主流,本文对现有的基于深度学习的肺癌辅助诊断技术进行了总结与研究。在此基础上提出了一个基于改进U-Net的肺癌诊断网络。首先,选用一种3D U-Net网络作为检测网络的基本框架,在U-Net网络中加入多个3D Res Ne Xt模块,通过增加多组卷积的方式在保持模型复杂度的条件下提高精度;然后在U-Net跳层连接中加入一种可以自动学习不同尺寸、形状的结节特征的注意力模块,构成一个改进的U-Net的网络。随后,将构建好的改进U-Net网络用于结节检测,通过RPN输出层直接输出候选结节,特别的是在输出候选结节时选用了广义交并比GIOU来计算置信度并定标签,以便于更好的优化网络参数。最后,为了避免数据有限而导致过拟合问题,将检测生成的候选结节再次输入到此改进U-Net网络中提取良恶性特征,使用Leaky noisy-or方法将每个CT扫描的多个结节候选概率整合成最终癌症概率。本文提出的基于改进U-Net的肺癌辅助诊断模型在DSB数据集上进行了评估,达到了理想的实验结果。肺结节检测达到了98.15%的敏感度、99.99%的特异性、99.99%的准确率以及99.07的G-mean值。肺癌诊断的准确度达到80.43%、AUC值达到0.86、交叉熵损失和均方误差分别降到0.43和0.14。综上所述,本论文所设计的基于改进U-Net的肺癌诊断框架具有一定的创新且实验结果良好,证明本文框架对肺结节特征高度敏感,能够增强结节辅助检测和肺癌辅助诊断的性能、降低损失,具有一定的临床价值。