病灶检测是医学影像分析中的重要组成部分,然而传统的医学影像分析是依靠医生对图像的理解和认知,是一种基于先验知识的图像内容解读。随着医疗影像数据的不断增加,以数据为驱动的新型影像分析方法会逐渐替代传统方法。随着机器学习和深度学习的不断发展,医学影像中的病灶检测会迎来新的发展方向。基于深度学习的分类,检测,分割等算法在图像领域形成了较大的领导趋势,证明了其有效性和高效性。而医学影像作为图像的一种,在病灶检测上已经获得了较高的评价。因此,基于深度学习的病灶检测是一个值得研究的重要方向。本文以肺结节检测为研究对象,针对肺结节在特征上呈现一种低层特征多,语义特征偏少的情况,是个小目标检测问题。同时,针对肺结节定位时边界信息模糊,分类界限不明等问题,本文旨在研究出一类新型肺结节检测与定位的算法,在提高定位的准确性的同时降低检测的假阳率。因此,本文对肺结节检测的研究做出如下的改进:(1)影像预处理和感兴趣区域的处理是医学影像分析的重要环节,深度学习作为一种数据密集型的算法,对数据的需求量巨大,虽然在公开数据集上有一些影像数据,但是因为数据的形成方式不同,很难直接作为深度学习的训练数据。因此,本文对肺结节影像进行预处理,包括对影像的预分割,切割,制作标签和数据增广。(2)针对U-net卷积网络特征复用率低,本文引入扩张卷积和密集连接网络,提高特征信息在输入层和输出层之间的流通速度。实现肺部影像中疑似结节的检出和疑似结节中假阳率的去除。(3)针对传统卷积加池化操作会遗失特征,本文在利用深度学习模型时,引入全局平均池化以此代替池化操作,并验证其在本问题中的有效性。(4)针对肺结节定位不准确和假阳率较高的问题,本文采用多模型融合,精确提取肺结节的边界和回归框,同时设计多层图片叠加卷积的方式,利用图片之间的三维连续性,用于去除假阳性肺结节。通过以上改进,本文在检测精度上平均能提高8%左右,并降低假阳率达到1.7%左右,同时在肺结节的定位上,本文方法能提供更为清晰的边界和置信度更高的候选结节。在多次重复试验和对比试验中,验证本文算法的科学性及有效性。