肺结节检测是肺癌筛查的首要步骤,对肺癌早期治疗、提高肺癌患者存活率具有非常重要的意义。CT是目前肺癌早期筛查的主要手段,在肺癌患者早期CT影像中,肺结节体积微小,常常受到血管、气管、气泡等组织的干扰,使得肺部微小结节检出面临着巨大挑战。随着肺部CT影像数据呈现爆炸式增长,计算机图像处理技术的发展,计算机辅助检测系统逐渐成为影像科医师工作中的强有力工具。肺部CT影像数据快速增长,为深度学习技术在医学影像方面应用带来契机。针对肺部微小结节图像微小,难以精确检测的问题,基于公开数据集LIDC构成海量训练集,本文提出多输入卷积神经网络和卷积反卷积神经网络对肺部CT影像中的肺部微小结节检测,快速高效的检出肺结节,为医师在早期筛查中提供辅助参考依据。本文的具体研究内容如下:(1)多输入卷积神经网络检测方法研究。CT图像中肺结节的尺度变化范围大,为降低数据信息丢失,提高卷积神经网络特征提取能力,提出一种基于多输入卷积神经网络的肺结节检测方法。该方法主要分为线下学习和线上检测两大部分。对于线下学习阶段,使用构建数据集中多种尺度的肺结节图像作为训练图像,通过数据变换以及尺度变换作为多输入卷积神经网络的输入,然后通过联合学习机制训练网络。对于线上检测阶段,结合先验知识,在原始CT图像中使用二维高斯函数和Canny边缘检测算法联合生成采样点,提取多种尺度的检测区域,检测并标注CT图像。为评价多输入卷积神经网络的分类性能,在公共数据集的预留测试集上进行多组参数对比实验,最优结果中覆盖率达85.51%,检出正确率达到78.4%。(2)基于卷积反卷积神经网络肺部微小结节检测。CT中肺部微小结节图像微小,手工设计特征困难,深度学习方法是一种基于数据驱动的、端到端的映射学习方法,因此提出一种卷积反卷积神经网络肺部微小结节检测方法。卷积反卷积神经网络首先使用无监督的对比散度算法对特征反向重构进行学习,然后使用有监督的随机梯度下降算法对结节-非结节的分类学习,在线下学习部分使用肺部微小结节图像,在线上检测阶段则采用与多输入卷积神经网络相同的区域建议结构,通过尺度旋转以及变换实现多种原始数据输入,采用并行网络方法联合检测肺部微小结节区域。通过多组对比实验以及多种机器学习方法验证卷积反卷积神经网络在肺部微小结节特征提取的有效性,通过在公共数据集预留测试集上验证检测准确率。(3)LIDC数据集可视化工具。深度学习方法对于数据量需求较大,在研究过程中,对公共数据集的统计与使用成为一部分工作。本文详细介绍实现的LIDC数据可视化工具,包括标注合并以及图像合并算法等内容,明确在标注合并过程中采用的合并规则,对数据集中数据分布做简要统计,分析在公共数据集上能够继续开展的研究工作。