临床中医生在诊断肺结节图像为某种肺部疾病的过程中,常常会参考与其相似的肺结节图像的诊断结论。研究基于内容的图像搜索方法,实现相似肺结节搜索系统,将有助于给医生提供参考病例从而提高诊断效率和准确性。基于内容的图像搜索系统中的一项核心工作是提取肺结节图像的特征。课题实现并比较了三种特征提取方案。一是基于实验室以前的肺结节辅助检测的工作基础,采用人工设计特征计算方法,提取了一系列低级和高级特征;二是采用深度卷积神经网络,将两个结节的图像拼接在一起形成一幅图像,以它们的相似度值作为类别,采用图像分类方式进行网络训练,进而从网络的中间层提取出特征;三是采用双塔(Siamese)卷积神经网络结构,两个塔具有相同的网络结构并共享网络权值,各自对其输入图像进行处理,通过损失函数值的反向传播来训练网络,在训练结束后提取网络中间层的输出作为图像特征。分析了深度卷积神经网络框架Caffe的总体结构,主要分为5大组件,存储类Blob、计算单元类Layer、网络类Net、网络优化求解类Slover以及提供定义网络模型的结构、存储以及读取的proto格式。Net将多个层Layers组合形成一个有向无环图(Directed Acyclic Graph,DAG),Slover实现对DAG进行求解的方法。以caffe框架为基础,可以添加自定义层的实现函数。为了更好地理解卷积核,通过使用学习到的卷积核进行图像的重建,从一个侧面验证学习到的卷积核的有效性。课题使用的数据是LIDC-IDRI(Lung Image Database Consortium and Image Database Resource Initiative)数据库以及合作单位提供肺结节相似对评分表。分别用三种方案提取到特征进行相似图搜索,结果表明使用Siamese提取到的特征最好,得到的搜索结果较为满意。