近年来不断出现的雾霾严重危害着人们的身体健康,在大气污染的影响下,世界范围内肺癌的发病率逐年提升。肺癌已成为全球发病率和死亡率最高的癌症之一。肺癌早期最主要的表现特征是肺结节,而肺结节通常体积微小并在血管、气泡、气管等组织的干扰下,难以发现其细小的病变特征,致使临床误诊率高。肺癌早期患者在经过治疗后生存率很高,但在临床上出现症状时,大部分患者已经到了肺癌的中晚期,即肺结节已恶化。因此,准确检测出肺结节是肺癌早期筛查的关键。传统肺结节的检测任务主要由医生完成,医生通过审阅病人的CT图像发现肺结节并做出诊断。但随着肺部CT图像数据快速增长,医生阅片的难度增大等多方因素影响下,误诊和漏诊的现象逐渐增多。随着深度学习算法、计算机图像处理等技术发展,以其为核心构建的计算机辅助检测系统(computer aided diagnosis,CAD)逐渐成为影像科医生的诊断工具。肺结节辅助诊断系统通常由图像预处理、候选结节集检测、假阳性减少三个部分组成。CAD系统旨在使肺部CT图像的解释更快、更准确,进而提高肺结节的筛选效率。构建肺结节检测模型的基础是提取肺部感兴趣区域(region of interest,ROI)。提取感兴趣区域是对肺部CT图像进行处理,获取含有肺结节及其周边组织的细节特征的图像,之后利用分类模型对图像进行分类,从而达到肺结节检测的目的。本文以Lung Nodule Analysis 2016(LUNA 16)肺部CT图像数据集为研究对象,建立了一种基于卷积神经网络的肺结节检测方法,该方法可以有效提高肺结节检测的准确率,降低假阳性率。主要工作包括三个部分:第一部分,选择LUNA16图像数据集作样本,提出一套肺部CT图像预处理流程。首先,通过归一化处理来获取准确、完整的肺结节图像样本;之后,加入了数据降维和数据扩增方法,以解决数据集中正负样本不平均的问题,并完成对肺部ROI区域的提取工作;最后,采用信息合并的手段,将前序处理的数据进行数据集分类和格式转换。通过这一系列的CT图像预处理操作,可以为后续肺结节检测分类模型提供准确、规范且完整的数据样本,从而完成对模型的训练和评估。第二部分,构建基于卷积神经网络(convolutional neural network,CNN)的肺结节分类模型。针对早期原始CNN模型存在的问题,本文通过实验和比较调整了CNN网络架构,选择采用Re LU激活函数以加快收敛速度,并在八层网络模型中引入Dropout策略,防止过拟合现象的发生。接着,使用第一部分预处理后得到的数据集样本,采用五折交叉验证的方法,对模型进行训练和全面有效的评估,准确率、敏感性、特异性以及ROC曲线的AUC值分别达到了92.3%、92.1%,92.6%以及0.97,模型性能优秀且稳定。最后,将模型应用于实际肺结节检测任务中,验证其性能。第三部分,集成第一部分数据样本集构建方法和第二部分CNN网络模型的搭建方法,生成了一个基于卷积神经网络的肺结节检测软件。软件包括图像数据的预处理、模型的训练及模型的应用等多种功能,将肺结节的检测方法自动化。本文以LUNA16数据作为样本,提出一套肺部CT图像预处理方案,构建模型所需的数据集,并引入调整后的卷积神经网络,最终实现对肺结节的检测分类。实验证明,本文设计的方法可以提高模型分类的准确率,降低假阳性率,且模型稳定可靠,能够为肺癌的早期筛查提供有效帮助。