肺癌是威胁人类健康的主要疾病之一,但是其早期诊断和治疗还是可以大幅提高治愈率的。肺癌早期通常表现为孤立性肺结节;临床上,主要由医生阅读肺部CT(Computed Tomography)扫描影像来发现和诊断肺结节,其工作量大、主观性强。借助计算机图像处理和分析技术,通过肺结节的检测和相似结节的搜索,能够辅助医师根据搜索到的肺结节的特征、病理和诊断等信息,对当前肺结节进行诊断和分析。本课题设计的相似图像搜索框架包括肺结节的定位和ROI提取、特征提取和相似度排序三大部分组成。肺结节检测及ROI提取模块主要包括:利用二维Otsu算法对胸廓外组织分割、肺壁细长组织等噪声的去除、肺实质的提取、采用多尺度Hessian增强算法对球形结构的增强以及肺结节ROI的提取。在特征提取方面,采用目前热门的深度卷积神经网络技术,以人工标记的相似图像样本来训练“双塔”结构的Siamese网络,进而自动获取特征,解决了采用人工经验来定义特征计算公式存在的困难,也回避了传统特征提取方法依赖于结节精确分割的难题。肺结节相似度排序模块主要采用Lambda MART模型对候选肺结节进行评分预测,Lambda MART模型的输入是将图像库中ROI特征之间作差形成新的样本特征。最终通过该搜索框架检索出待搜索图像的相似图像集合,并给出相似度评分。将本课题的相似图像搜索方法在LIDC-IDRI(Lung Image Database Consortium and Image Database Resource Initiative)图像库中进行肺结节ROI的提取、肺结节ROI的特征提取及相似肺结节搜索实验。结果表明,该搜索方法能够有效地提取肺结节ROI的特征并且可以得到较为满意的相似肺结节搜索结果。