肺癌疾病严重威胁着人类的生命安全,而基于计算机断层扫描（Computed Tomography,CT）等影像技术的肺癌早诊早治是解决该问题的一个主要手段。当前,由于CT技术分辨率的不断提高以及基于低剂量CT筛查的普及,大量疑似肺癌患者已经能够被发现。早期肺癌大多数以CT影像中的磨玻璃结节（ground glass nodule,GGN）形式显现,相对于实性结节来说,GGN轮廓模糊、灰度较正常肺实质变化不大,分割和诊断难度都较大因此难以被检出,从而对基于CT影像的诊断提出了新的挑战。特别是典型的非小细胞肺癌（Non-small cell lung cancer,NSCLC）的病灶表现形式为GGN、实性结节和肿块,病灶不同对应的分期分型且良恶性也不同。ki-67是一种反应肿瘤增殖的免疫组化标志物,可以在一定程度上预测病灶的良恶性,而临床上通过手术或穿刺活检得到ki-67表达水平的操作不易实施。CT影像学特征与ki-67之间存在相关性,因此如何利用CT特征无创地预测ki-67的表达水平,从而在术前判断肺癌的良恶性和肿瘤细胞活跃程度,需要进一步进行研究。本文针对以GGN为主要表现形式的早期肺癌诊断,以及使用CT影像学特征无创地预测判断肺癌增殖特性和良恶性的问题,研究了肺实质的分割、GGN的分割和浸润性分类,以及基于NSCLC的ki-67表达水平的预测,具体包含以下研究内容:1.肺实质的分割。针对肺实质的分割,先对CT影像进行了预处理,采用迭代选择阈值法和形态学操作粗略分割肺实质,去除胸腔和背景信息并填充孔洞,再使用滚球法修复肺实质内轮廓,若左右肺相连则用灰度投影积分法分离左右肺,再使用凸包法来修复肺实质外轮廓,最后形成掩膜得到修复好的肺实质。2.GGN的分割。针对GGN分割准确率不高的问题,提出了一种改进区域自适应的马尔科夫随机场（Markov random field,MRF）分割GGN的方法,首先在分割好的肺实质基础上采用模糊C均值聚类（fuzzy C means clustering,FCM）和MRF模型进行GGN粗分割,通过顶帽变换和形态学操作去除血管、降低假阳性并定位GGN,更新GGN统计参数,最后采用改进区域自适应MRF模型进行细分割,可以更加充分的利用像素点的空间信息。由结果可知,专家打分结果平均值为9.58,本文分割结果与专家分割结果重叠面积比平均值为0.91445。3.GGN浸润性分类模型。针对GGN浸润性分类的问题,提出了基于密集连接卷积神经网络（Densely Connected Convolutional Networks,Dense Net）的双路集成网络的GGN分类模型。该模型包括两部分:第一部分基于打开瓶颈层的Dense Net-BC,输入为窗宽相同窗位不同的两组GGN的CT图像,包含背景信息,能更好的提取GGN周围的空间信息;第二部分基于关闭瓶颈层的Dense Net-C,输入为不包含背景信息的GGN,即基于改进区域自适应的MRF模型分割的结果,能更好的提取GGN本身的特征。两部分先分别进行训练,得到三个子模型,取准确率最高的子模型,再使用相对多数投票法进行模型融合。模型融合后准确率为92.553%,特异性为87.500%,敏感性为97.826%,AUC为0.9715。4.ki-67表达水平分类器。针对ki-67表达水平预测的问题,进行基于非小细胞肺癌的CT影像学特征与ki-67表达水平相关性研究,并建立一个高准确率的ki-67表达水平分类器。在专业影像学医师标注信息的基础上进行病灶分割并进行三维重建,提取107个三维影像学特征,并使用Spearman秩相关系数找出与ki-67表达水平相关性显著的影像学特征,再进行因子分析,最后使用粒子群算法（Particle Swarm Optimization,PSO）优化的支持向量机（support vector machines,SVM）建立ki-67表达水平预测分类器。由结果可知,共有45个影像学特征与ki-67表达水平相关性显著,ki-67表达水平预测准确率为91.30%。