目前,肺癌的发生率和死亡率均上升为第一,对全人类的身体健康造成巨大威胁。肺癌的早期表现形式为肺结节,如果早期能够对肺结节良恶性进行判定,将大大提高患者的生存几率。本文将肺结节图像底层特征映射为高级语义属性,然后根据高级语义属性的预测值进行肺结节良恶性诊断,这种方法克服了图像底层特征与上层语义属性之间的“语义鸿沟”,可以更好地为医生临床诊断提供帮助。本文利用计算机技术,结合模式识别和机器学习相关方法构建肺结节良恶性诊断模型,争取为医生临床诊断提供“第二建议”,具体工作如下:(1)利用经典的区域生长算法对肺结节病灶区域进行分割,然后提取其底层特征集。为了消除不同量纲对于分类的影响,把底层特征集进行归一化处理。(2)提出Improved Asymmetric Bagging(IM-ASYBagging)算法解决数据非均衡问题,该算法通过采样机制可以在多数类和少数类之间形成一个“复杂”边界,从而可以将两类数据很好地分开。(3)医生临床诊断依据的是高级语义属性,而计算机辅助诊断则是依据底层特征集,为了让计算机更好地辅助医生诊断,本文先构建肺结节语义属性预测模型然后根据各属性的预测值进行良恶性判定。另外,由于不同的底层特征对应不同的语义属性,所以需要针对不同的语义属性进行特征选择。(4)肺结节分叶属性对于临床诊断有很大帮助,为了更好地刻画肺结节分叶程度,本文利用肺结节区域的最小外接圆和最大内接圆提出了三个新特征。实验结果表明,这三个新特征对于分叶属性预测模型有很大贡献。