肺结节在CT图像切片中形态大小不一,组织密度不均匀,结构边缘模糊,实现结节和非结节的识别与分割是困难的。为了完成CT图像中的肺结节分割任务,本文以LUNA16(Lung Nodule Analysis 2016)挑战赛中提供的肺部CT图像为实验数据。介绍肺结节在CT图像切片中的形态结构特征,从而分析CT图像中肺结节分割的可行性。首先采用简单的阈值分割方法,以直方图为工具统计CT图像切片灰度分布情况,选取合适的灰度值作为分割界限执行肺结节分割。然后采用基于模糊理论的模糊C均值聚类算法,使用隶属度值表示每个像素属于某个类别的概率。通过设定CT图像切片中需要分割的类别数目,逐步迭代算法使目标函数收敛,从而实现自动聚类分割。尽管以上传统分割算法对于小部分肺结节分割效果较好,但是过程耗时太长,且对于大多数肺结节分割效果较差,不能实现结节和非结节的识别。因此,转向基于全卷积网络的语义分割算法进行肺结节分割,在实验没有达到预期效果的情况下,将在生物医学成像细胞分割中表现良好的U-Net网络模型应用于肺结节分割,取得了良好的效果。另外,在U-Net网络模型中加入批归一化和残差网络,设计了四类改变的U-Net网络模型。将预处理后的肺部CT图像切片划分为训练集和测试集,在训练集上对各类U-Net网络模型进行优化训练,保存各自模型训练集结果。使用分割相似度Dice系数作为分割评价标准,以此比较不同U-Net网络模型在测试集上的分割准确率的高低。将模型训练结果与测试集切片图像,输入到各自网络中执行测试,输出识别后的结节和非结节分割图,并计算各自模型测试的Dice系数,验证了算法的有效性。