肺癌是人类所有癌症中发病率和死亡率均为最高的恶性肿瘤。肺癌的早期发现和治疗能够极大地提高患者的存活率。临床上一般使用低剂量螺旋CT进行肺结节筛查来实现肺癌早期筛查的目的。医生需要从大量薄层CT图像中找出各种类型的肺结节,这给医生带来了巨大的挑战。一般情况下,较大的结节查找起来比较容易,但是对于那些被血管等组织围绕的实性或磨玻璃小结节而言,即便是经验丰富的医生查找起来也非常困难。而这些小结节恰恰是临床上最常见的。疲劳加上人为的主观因素容易导致结节漏诊。另外,筛查到结节之后医生还需要对结节进一步分析并判断其良恶性,并以此为依据制定下一步诊疗计划。对结节的分析需要依赖结节的一些特征,比如大小、密度以及发生的部位等。这些特征的人工提取和判断也需要以丰富的经验为基础并且会耗费医生大量的精力。此外,对结节的人工分析存在显著的观察者间差异。因此,基于计算机的辅助诊断系统(CAD系统)一直以来是学术界和工业界的研究热点。CAD系统的设计面临的一个巨大挑战在于:肺结节的特征变化无穷、发生的部位不固定,因此难以用传统的图像处理方法来应付各种变化。本文针对上述问题,结合大量的国内外相关文献以及现有CAD系统的优缺点,对胸部CT的肺结节计算机辅助检测和诊断做了系统的研究工作,主要的贡献和创新包括:(1)提出了 一种基于结节大小自适应的深度神经网络用于定位胸部CT体数据中的肺结节。该网络能够同时检测大小在3mm到70mm之间(临床上,一般称大于30mm的病灶为肿块)的各种类型的结节,包括磨玻璃结节、半实性结节和实性结节。基于公知数据库和私有数据集的验证表明,该框架的检测效果优于现有的CAD系统并媲美于人工筛查,其主要优势在于检测5mm以下小结节的灵敏度高于现有的CAD系统。(2)结合上述的结节检测,提出了 一种基于传统图像分割技术和射线法的肺结节分割方法,该方法能够分割各种类型的结节,包括那些血管或者胸膜附近的结节。基于分割结果计算结节大小、体积和平均密度。对比医生的金标准结果表明,该方法能够达到较满意的分割效果,能够满足临床应用。(3)提出了一种基于标定点(landmark)的3DCNN分类器用于判断结节的肺段位置(临床上一般将左右两肺分成18个段)。训练深度学习模型,往往需要大量的标注数据。本研究中,我们通过一种简单而有效的策略避免了这一问题。基于200组患者的验证结果表明:即使只用8组患者数据训练的情况下,预测肺段便能达到一般医生的水平。(4)提出了一种3DCNN分类器用于结节三分类,分别是良性结节、肿瘤浸润前病变以及肺癌。本文的良恶性分类紧密结合临床扫描实践,采用一种靶扫描数据开展研究工作。靶扫描和常规扫描的对比结果表明靶扫描能够有效提升良恶性分类水平。另外,对比了临床医生的诊断结果,该结果表明本文提出的分类器能够有效的克服训练数据不足的问题,即便在少量数据训练的情况下也能达到接近医生的水平。