近些年,随着深度学习的不断发展,越来越多的研究者关注于深度学习技术在医学图像领域的应用。目前,有许多基于深度学习的方法被广泛提出且致力于提升医学影像诊断的效率和正确性。但在医学领域,影像十分复杂且标注需要较强的专业知识,这导致针对医学图像的标注过程往往是低效的、易出错的且成本昂贵的。因此严格的标注过程导致医学图像数据集的规模通常很小,并且数据集中存在大量标记错误的噪声样本。当对模型进行训练时,这些噪声样本严重影响着模型最终的识别性能。因此,如何有效利用信息丰富的医学图像样本及如何有效进行噪声样本的检测及纠正对于提升深度学习模型在医学图像领域的识别能力十分重要。本文重点针对肺癌图像进行识别,面对可能存在的噪声样本,结合O2U-Net和Fine-sample两种噪声检测方法检测出噪声标签后矫正以提升模型识别精度。进一步,基于样本的熵值选择出信息丰富的未标注样本用以专家标注,并通过主动学习方式尽可能降低医学图像的标注成本。最后,本文设计了一个可视化的交互系统用于解释所提出的算法性能。具体地,本文的主要工作如下:（1）研究了基于主动学习的肺癌噪声检测算法。针对噪声样本,本文首先结合O2U-Net和Fine-sample算法得到噪声样本候选集,根据噪声概率分数选择出最可能的噪声样本。进一步,利用KNN算法寻找噪声样本在降维特征空间上的最近邻居用于噪声样本集合的扩充。针对未标注的数据样本,通过模型得到相应的概率分布并计算样本熵,熵值越大代表样本的信息越丰富。选择出最具有代表性的医学图像样本用于专家标注,以此降低标注成本。（2）搭建了一个可解释性肺癌噪声检测可视化平台。通过搭建可视化平台实现用户与算法的交互,让用户可以参与深度学习模型训练的过程中。在可视化平台中用户可以查看或修改噪声样本的标签,对噪声样本的标签进行矫正,将矫正后的噪声样本用于模型训练。可视化平台还展示模型训练每个步骤的性能指标和变化趋势,以及模型的最终性能。基于全面的需求和任务分析,本文使用了描述性可视化,从统计、实例、特征和模型结构级别对模型行为进行了性能度量、详细检查和多种方法的对比探究,为病理学家或读者研究提供直观展示。