计算机成像技术、人工智能的兴起,极大的提高了肺癌的自动诊断率。肺癌在病症早期基本无特殊症状或其症状极难被发现,且肺癌的临床诊断多为中晚期(Ⅲ-Ⅳ期),尽管接受标准化治疗,患者5年生存率仍低于5%,而肺癌早期患者若能得到及时治疗,生存率可达到80%。肺癌在影像学中的早期表现多为肺结节,因此做到早发现、早诊断、早治疗对患者来说至关重要。与此同时,由于不同医生对于病理图像理解不同且诊疗经验间存在差异,放射科医生常通过经验分析病灶边界并进行判断,使得阅片结果带有一定主观性和不稳定性。随着肺部CT影像数据急剧增加,正常病例的全肺扫描将产生100-500张图像,若是进行大规模肺癌筛查,更需要从海量图像中筛查并判断,逐张读片不仅需要耗费大量时间与精力,且长时间观察极易阅片疲劳,从而产生错误判断。基于深度学习的肺结节计算机辅助诊断系统,可有效减少放射科医生工作量,提高诊断准确率。论文围绕基于深度学习的肺癌计算机辅助诊断关键技术展开研究,针对肺结节数据预处理,肺结节分割、肺结节良恶性分类中关键问题,提出了解决方案。现有肺结节诊断方法大多基于全肺扫描,在CT全图中分割结节,并在此基础上确定阳性结节对其分类。而此类方法缺乏对具体病变具体位置,即感兴趣区域(Region of interest,ROI)的理解,限制了分割方法与分类精确度。因此,针对在纹理和形状特征上,肺结节与其他非结节组织具有视觉相似性,导致算法在各类结节分割任务中表现不一且分类精度低问题,论文提出了基于多视图残差块网络的肺结节分割方法与基于多输入卷积神经网络的肺结节良恶性分类方法,主要工作与创新点如下:(1)选择数据并对其进行裁剪以符合算法输入需求,是肺结节计算机辅助诊断的关键。在不改变基础数据库Lung Image Database Consortium/Image Database Resource Initiative(LIDC-IDRI)前提下,为减少数据歧义性,对基础数据集进行裁剪和预处理,设计筛选规则,切片序列提取方式,获得适用于半自动分割方法,良恶性分类算法的训练、验证和测试数据。(2)论文针对各类型结节在肺部中形态不一,纹理不同,且视觉上部分类型结节与肺部组织极其相似,造成结节形状、纹理与组织难以区分导致分割不准确问题,提出了基于多视图残差块卷积神经网络的肺结节分割方法,适用于论文展示的各类型结节,并通过综合实验验证了该方法的性能。(3)提出了基于多输入卷积神经网络的肺结节良恶性分类方法。论文针对医学图像肺结节良恶性分类方法进行研究。由于肺结节大小不一、形状不同导致分类困难问题,利用前文得到的肺结节分割结果,设计肺结节多输入模块信息以方便网络提取肺结节边缘、纹理等特征,并将其应用于三个不同输入的子分支结构。提取并融合特征得到分类结果,最后通过综合实验验证模型性能。