肺癌是一种全球性的高危疾病,尤其在男性中肺癌是最常见的癌症,而肺癌早期是以肺结节的形式表现出来的,虽然低剂量肺CT筛查肺结节为早期诊断提供了一个有效的方法,大大降低了肺癌的死亡率。但随着信息数据的增加,给医生的工作带来巨大的负担,因此利用计算机辅助肺结节检测十分必要,有利于减少诊断时间,帮助医生提高工作效率。传统的肺结节检测使用的方法大部分都是基于机器学习算法,结合专业的医学领域知识和CT图像的特点,人工提取出特征,并选取有用的特征放到分类器中训练,不仅过程繁琐,而且这样训练出来的模型泛化能力不好,并不能直接运用起到辅助治疗的作用。随着深度卷积神经网络与图像处理领域的结合,深度学习算法渐渐成为热门的研究课题,它不再需要传统方法中手工特征提取设计的步骤,而是由模型以卷积方式自动提取图像的表征,且深层的网络提取的特征更具体,更具有辨识力。因此,越来越多的人开始将深度学习的算法融合到肺结节图像研究中。现已有的方法主要是将传统的机器学习算法与深度学习结合起来,在疑似肺结节区域分割中应用传统的算法,在去除肺结节假阳性中使用深度卷积神经网络,但是这类方法得到的模型往往泛化能力不好,在提取疑似结节过程中无法精确分割。还有一些使用2D卷积神经网络的方法没有充分利用3D空间特征,使得提取的疑似结节区域的假阳性较高,从而影响整体的分类效果。针对现有方法的不足,本文结合深度学习算法设计了一套肺结节检测与识别方法,整个过程实现自动化,有效剔除非结节区域,自动分割出疑似结节区域,同时提取三维图像块的空间特征,实现真假结节的分类。本文的主要工作如下:(1)基于3D ResUnet网络来分割肺结节,提取疑似结节。从整个肺结节CT图像提取出肺实质,首先读取注释文件中结节坐标,以此坐标为中心的区域附近截取立体图像块,接着对生成的立体块进行重采样,并为了增加样本量使用数据增强技术。本文将原始UNET网络加上残差结构形成新的网络ResUnet,充分结合了两个网络的优势,一是残差结构会简化网络的训练,二是在残差单元内的跳跃连接以及网络的低层次和高层次之间将促进信息传播而不会出现梯度消失。在肺结节图像语义分割中,将输入扩展成三维,并将生成的数据集按7:3分成训练集和验证集输入三维ResUnet网络中训练,最后通过训练模型得到肺结节分割结果,并和其他方法进行对比。结果表明,本文的方法的召回率为97.68%,能有效将非结节区域剔除,为后面的假阳性结节分类打下基础。(2)为了更好地表征空间信息和纹理信息,本文采用3D Inception深度卷积神经网络来提取三维图像块特征实现真假结节分类,模型主要由3D卷积层、3D池化层、Inception模块、softmax层构成,最后通过从准确率、敏感性、特异性、召回率多方面来评价模型的分类性能,获得87.3%的准确率和22.8%的假阳性率。结果表明,该模型的结节检出概率较高,假阳性率较低,对降低假阳性有很好的效果。本文提出的一套肺结节检测与识别算法简化了传统方法的繁琐步骤,实现了自动化诊断,同时有利于肺癌早期筛查,为辅助医生检测肺结节提供了思路。