显微技术的发展,使得计算机辅助技术在肺部CT图像中的结节检测中的作用越来越明显。计算机辅助技术可以对大量图像数据进行各个方面的分析,然后得出检测结果,可靠的检测结果必须依靠正确对图像进行分割、特征提取以及依靠后续的机器学习技术。处理后的结果能够更好的更安全的帮助医生完成较困难的临床诊断,使医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。CT图像中存在的大血管和支气管在CT成像中很容易形成假阳性,因为,血管和支气管在CT扫描断层中的成像与通常意义上肺结节的形状十分类似,很难加以区分。因此,在CT图像分割和肺结节识别中,存在很多困难。BP神经网络是一种传统的机器学习技术,在图像识别中有着广泛的应用,但是BP神经网络也存在着很多缺点,比如网络不稳定(对初始权值的敏感)、过收敛和局部极小等问题,严重影响着识别效果。论文主要工作为:1.对现阶段的医学图像分割方法进行总结,分析出优缺点,并给出部分常用分割方法的实验验证结果,计算机辅助肺部结节的检测首先要对肺部CT图进行分割以及对肺结节的提取,因此,本文首先对肺部CT图像进行简单的预处理(去除背景等),并使用单阈值最大熵分割方法对处理后的CT图像进行初步分割,然后把初步分割的CT图像经小波变换后再利用数学形态学对变换后的高频和低频进行运算,重构后得到修补后的分割结果。最后从重构后的图像中提取肺结节。2.BP神经网络在肺部结节识别中存在的缺点为神经网络的初始权值不稳定,计算量大、容易过收敛和陷入局部极值等缺点,本文提出一种基于改进遗传算法优化的MTANN(massive training artificial neural network,整体训练人工神经网络)算法,利用改进的遗传算法对MTANN的初始权值进行优化调整,遗传算法所采用的方式为排序浮点编码方式,用遗传算法优化调整后的权值,作为网络的初始权值。这样调整后的MTANN网络不仅拥有遗传算法的全局随机搜索能力,又具有MTANN网络的稳定性和较强的自我学习能力。通过仿真结果的研究表明,基于遗传算法改进的MTANN,不仅可以加快网络的收敛速度,避免MTANN网络在训练时陷入局部极值,而且能很好的克服MTANN算法训练时间过长,训练结果不稳定等不足。