肺部疾病作为发病率最高的疾病之一,一直影响着众多患者的健康与幸福。由于大部分肺部疾病在早期难以发现,且最初一般以肺结节的形式表现出来。而计算机断层扫描（Computed Tomography,CT）是临床中无创检查肺结节的首选方式。若能在日常CT影像体检筛查中,将病灶尽早检测出,并给出一定的辅助诊断,及早的有效治疗可以大大降低肺部疾病的致死率。因此设计开发一种有效的肺结节检测及降假阳性方法并给出一定的辅助诊断,有助于医生制定合理的诊疗方案,这将是一项具有理论研究价值和临床应用价值的工作。所以,本文开展基于深度学习方法在CT图像中的肺叶分割和肺结节检测,以及病灶结构辅助诊断与肺功能定量分析的应用研究。本文主要有三部分研究内容,第一部分是针对CT图像中的肺组织分割研究,这包括肺部实质分割、肺叶分割、肺血管分割和基于轮廓的凸多边形超像素肺组织分割;第二部分是深度学习方法在CT图像中的肺结节检测研究,包括肺结节检测和降低假阳性的策略;第三部分是病灶结构辅助诊断与肺功能定量分析研究。在肺实质分割和肺叶分割中,本文提出了基于异质模型的深度互学习分割方法,训练3D U-Net和V-Net模型作为两个异构模型,通过这两个模型输出结果的KL散度值进行互相约束,实现模型之间的相互监督,并进行不断迭代,从而达到提升网络训练稳定度和模型效能的作用。对于正常CT的肺实质分割结果表明,其DSC（Dice Similarity Coefficient）指标在98.08%,肺叶分割的DSC值也能高达90%以上,这相比于传统的方法有着显著的提升。训练时加入包括COPD、肺部纤维化、新冠肺炎等其他病理的肺部CT图像进行训练,该方法能够适应多病理下数据,具有较强的鲁棒性和模型分割效果。在肺组织超像素分割研究中,提出了一种基于轮廓的凸多边形超像素分割方法。利用canny算法和图像扩张的方法获取图像的轮廓特征信息,在轮廓周围选取锚点,并通过锚点均匀化来构建Voronoi图得到图像的超像素块。相比基于LSD（Line Segment Detector）直线检测的凸多边形超像素传统分割方式,基于轮廓的超像素分割方式能够获取到更多的图像信息,同时该方法解决了在传统的SLIC（Simple Linear Iterative Clustering）等基于聚类的超像素分割方式在轮廓处的超像素构建不清晰等问题。在BSDS300图像数据集上进行测试,在US指标上基于轮廓的超像素分割方式要优于上述传统方法。应用此算法于肺部图像,对比传统方法并进行分析,也显示了其优越性。在肺结节检测研究中,主要依据deeplung模型框架,针对肺结节特定任务下数据量不足、数据多样性差、数据非均衡等问题,使用了多元数据融合、输入通道数扩充、损失函数选择与设计以及后处理等优化策略进行实验效果的提升。由于肺结节检测后存在假阳性较高的问题,通过置信度阈值筛除法、形态学阈值筛除法和构建降假阳性网络模型三种不同的策略进行处理,最后对比后选择置信度阈值筛除法。通过肺结节检测和降假阳性处理后,在公开数据集和山东某医院提供的混合数据集中进行测试,准确率在93.45%,敏感度在 95.9%。在病灶结构辅助诊断与肺功能定量分析研究中,这一部分也分包含为两个部分研究内容。第一部分是对于结节病灶结构的简单判断,主要包括了四个部分:肺结节大小的判定、肺结节的位置定位、肺结节形态学种类分析、肺血管三维可视分析。第二部分是进行肺功能定量分析,通过采用一些肺部定量指标进行判定达到辅助诊断的目的。这部分主要采用肺气肿指数、低衰减区比例、功能性肺容积比例等指标,通过不同病理的这些指标量数据进行统计和对比,达到这些指标量在不同病理下的统计值区间。经实验表明,提出的病灶结构辅助诊断与肺功能定量分析方法可以有效辅助医生进行病理诊断。