随着人们对自身健康重视程度的增加和医学设备的进步,医疗领域存在数之不尽的图像,但因为大多数图像缺少必要的标签,使得医学资源不能够被有效的利用,如果这些资源能被有效的使用,对该领域的研究有巨大的帮助。现阶段的肺癌诊断,主要是靠医生对图像中的肺结节进行寻找,然后对其进行诊断。由于图像数量的激增和肺结节的大小,形状各式各样且与肺部的血管等十分相像,给医生的诊断带来极大的难度。本文为了解决这些问题,用LIDC-IDRI中的CT图像作为数据集,针对人工进行肺结节分割效率低下并且困难的问题,研究基于改进U-net的肺结节分割算法;针对人工标注成本过高,可使用的带有完整标注的数据集数量不足的问题,研究基于半监督学习的肺结节多标签生成方法,因此本文分成两步来介绍:第一步是对肺部CT图像中肺结节进行分割;第二步是对第一步得到分割结果进行多标签生成。通过进行这些研究,来完成对肺结节的诊断。其中两个主要研究点是对肺部CT图像中的肺结节的分割和对分割后的肺结节的钙化,分叶征等特征进行提取以进行多标签生成。对于第一步肺结节的分割,由于人工进行分割或者人工进行特征选择时分割准确率较低,并且数据量不充足,所以使用经常被用于此类数据集分割的U-net网络来进行分割,又因为该网络有梯度消失,特征利用率低等问题,所以对该网络结构进行改进以提高肺结节的分割精度。加入残差连接模块来对模型的梯度问题进行改善;把模型中部分的普通卷积替换为膨胀卷积块对特征的利用率进行提高;加入注意力门控模块对模型下采样中的特征进行筛选来减少模型中的冗余特征,然后把各层的输出进行融合,当完成融合后再借助空间和通道注意力来完成肺结节的分割操作。实验证明,提出的改进模型的DSC为83.52%,PPV为82.31%,能有效地提高分割精度。对于第二步肺结节的多标签生成,通常是把肺结节和其文本描述放入神经网络中进行训练,但由于数据集中含有的肺结节数量较少,所以使用半监督的方法进行网络训练,将通过第一步分割得到的结节和对应的文本描述放入网络中进行半监督训练,同时因为肺结节的大小,形状不尽相同,所以通过在模型中的第一个全连接层前添加一个金字塔层,来融合不同尺度的信息,同时在最后一个全连接层前加入注意力层,来提高对目标区域的注意力,通过与相关实验进行对比,本模型对肺结节的8个不同的特征预测的平均准确率分别为85.32%、78.48%、86.13%、80.34%、62.46%、77.15%、86.54%、85.07%,证明上述改进能获得更好的实验评价指标。最后,根据以上的研究,开发了一个原型系统。该系统通过对输入的CT图像进行上述两步的操作,最终生成该图像的描述文字,并且展示给用户。