肺癌是目前世界上发病率和死亡率均为第一的癌症。据临床统计,对于早早期肺癌患者,通过手术治疗,切除肿瘤所在肺叶,四年存活率可高达90%。在术前准确分割并建模肺部组织以及肺叶肺段,对手术计划的制定具有重要意义。基于深度学习的人工智能技术近年来取得巨大进展,被广泛应用于医学图像处理领域。本文充分结合深度学习和传统算法两者的优势,开展以下研究工作:1.对于肺部的分割,提出了两种算法,一种基于传统方法,利用OTSU算法自动确定分割阈值,对图像进行二值化,通过先验知识自动选取种子点,进行区域增长剔除体外空气,并利用最大联通分量获取肺部分割结果。另一种基于深度学习,利用网络深度和宽度都减少的2D Unet模型进行肺部分割。2.对于肺部管道的分割,本文针对CT影像的三维特性,开发了一种基于深度学习的2D/3D Unet网络模型,用以高效、准确的分割肺部管道,同时利用Frangi算法增强细小管道,与2D/3D Unet网络模型分割结果相结合,通过形态学和最大联通分量操作,剔除误分割部分,最终获得精细的管道分割结果。3.对于肺叶分割,本文提取气管树拓扑结构,并依据肺实质到气管树的最小欧式距离获得粗分割肺叶结果。同时结合肺部管道和肺裂分布信息,构造能量函数,利用基于图割的《扩展算法对粗分割结果进行优化,获得肺分叶结果。肺分段方面,提取肺动脉中心线,通过人工交互选择分段点,依据到血管树的最小欧氏距离来确定肺实质所属肺段,获得肺分段结果。本文使用多套肺部CT影像作为实验数据,首先,实验利用本文提出的算法分别对肺部CT影像进行肺实质、肺血管、肺气管的分割,DICE准确度分别达到了98.3%、85.7%、91.8%,其次,进一步对肺部进行分叶和分段,DICE准确度分别达到了92.8%、78.7%,实验结果成功的验证了本文算法的有效性。