由于吸烟、遗传、油烟以及环境等因素的影响,并且随着我国人口老龄化,肺癌患病总人数持续升高,肺癌的发病和致死率在我国常见恶性肿瘤中位于首位。根据医学数据显示,早期肺癌5年生存率高于中晚期肺癌,改善预后的主要途径就是早发现、早诊断和早治疗。胸部低剂量CT在国际上被为是早期筛查的有效手段,我国目前看病难问题依然突出,胸部CT诊断人群多,设备与医生数量有限,造成医疗资源与患者需求不匹配。且随着互联网医疗的兴起,传统的人工阅片方式效率低下,在设备及技术全面升级的今天,对设备在小结节更高显示率和图像数量大的方面提出更高要求。另外,当前我国医疗资源与医护人员的严重缺乏使影像科医师的身心俱疲疲,进而增加了漏诊、误诊的风险。近几年来,大数据技术、深度学习等新兴技术在医疗领域蓬勃发展,借助计算机对肺癌进行辅助诊断是目前医生的主流手段,当前病灶检测、病理诊断和术后预测等各个临床阶段都将基于深度学习的CAD技术渗入其中。在利用CAD实现医学早期诊断的研究阶段中,实现了肺结节自动分割,可以对疑似肺结节进行准确、快速定位,通过大量训练数据构建出的深度学习模型在避免主观偏差方面具有明显效果,且构建的模型筛选结果明显降低了结节的假阴性,计算机辅助诊断系统用于肺结节筛查可以提取结节的形态特征,定位结节位置并进行肺结节的分类,由此可以看出,通过深度学习系统用于肺结节诊断可以减轻医生的工作量,给医生提供有参考性的建议,从而提高阅片准确性。本文针对目前存在的问题通过对国内外研究现状的分析,建立了肺结节CT图像自动诊断模型以解决当前存在的问题,主要研究工作包括:1.特征提取是肺结节检测和分类必不可少的步骤。在当前的深度学习方法中,利用残差网络或者密集连接网络进行特征提取是目前常用的特征提取方法,使得特征缺失或者特征重复,从而降低实验的精度,本文首先对肺部CT图像进行预处理,然后使用双路径网络提取特征,确保特征不遗漏且不重复,并且将双路径网络嵌入U-NET中,实现特征级联,生成不同尺度候选框,确保了检测的精度。2.目前基于深度学习的肺结节检测大都是两阶段方法,即在生成候选结节时插入池化层进行候选框尺度统一然后再进行特征提取最后分类,使得检测时间长,本文利用双路径网络提取特征,将此网络嵌入类U-Net网络完成候选框的提取,将特征图分成九个区域后,用一层卷积层此特征图映射到对应的位置敏感特征图上,得到九个特征图,进行池化操作生成对应的位置敏感池化层,然后对池化后的特征图进行投票操作,按得分将候选框分为结节与非结节,实现了端到端的自动检测。3.良恶性分类是目前肺结节最常见的分类方法,但是在医师实际诊断中会综合多种语义特征来确定良恶性,本文联合多个特征提取器,实现对肺结节的9个语义特征的分级评分,模拟医师诊断过程,可以为医生的诊断提供辅助性建议,以提高诊断的准确性,从而提高患者的治愈率。