X光是目前诊断肺部疾病最常用的手段之一。相比较于CT,其拥有辐射小,价格低廉等特点。然而,处理医院每日产生的胸片却耗费了放射科医生大量的精力,如何高效且准确地处理这些数据仍然是一个问题。得益于近些年来计算机技术以及相关图像处理技术的飞速发展,计算机辅助诊断技术逐渐成为协助医生诊断疾病的有力工具。为提升计算机辅助诊断系统对肺部疾病筛查的性能,本文围绕深度学习技术在肺部疾病筛查中的应用进行了研究。本文研究的主要内容如下:(1)本文提出了一种具有先验感知机制的神经网络模型对肺野区域进行分割。模型首先针对U-Net网络中的不足进行了改进。为使得神经网络能够有效地融合领域的先验知识,本文提出了两种不同的生成先验图方案以辅助模型对胸片图像进行分割。此外,为解决样本变化造成的先验图不匹配问题,模型采用了空域变换网络对先验图进行矫正以适配不同样本。模型的性能在JSRT数据集上进行了评估。实验结果表明,本文提出的模型相比于基础网络模型Dice系数提升了0.8%,且训练速度更快。(2)本文提出了一种具有相对距离敏感特性的神经网络对多种肺部疾病进行分类。在传统的卷积神经网络当中,距离信息会随着网络加深而逐渐丢失。为了有效地利用胸片中的位置信息,本文提出了使用相对位置信息以辅助网络对疾病进行分类。该方案利用分割网络获取胸片相关组织的掩模并进行相对距离提取,提取的信息经由沙漏网络编码后以残差的方式融入进网络的主分支。相比于其它距离信息的提取和融合策略,此方案无需人工干预且具有一定的尺度不变性。实验结果表明,在主干网络加入了相对距离特征后,模型的平均AUC达到了0.82。另外,文章还就分割网络以及融合策略对模型性能的影响进行了讨论。