肺癌是全球当前最常见的疾病之一,而淋巴结的评估在肺癌诊治中占有重要地位。肿大淋巴结的存在被认为与肺癌淋巴结转移密切相关。医生通常依据CT影像中淋巴结情况和/或侵入性分期方法对患者淋巴结转移做出评估,并根据评估结果选择对应的治疗方案。因此,淋巴结的检出和分期影响到患者病情发展、疾病诊断、治疗方案选取和随访等一系列进程。但是由于医疗资源的缺乏和患者数量的庞大,人工阅片使得医生工作强度大,患者等待时间长。且由于这些限制,很难对每个患者行侵入性纵膈淋巴结分期,以确定其准确的术前淋巴结状态。此外,由于不同影像设备拍摄的CT影像数据格式不同、医生操作不一,因此拍摄的CT影像数据也不尽相同,会对淋巴结的自动检测性能产生一定影响。因此,研发针对上述问题的算法方案是十分必要的。随着近些年深度学习在自然图像和医学图像上的突起表现,基于深度学习的CAD系统越来越普遍,性能愈加可观。淋巴结的检出和评估对患者治疗进程非常重要。因此,为辅助解决上诉纵膈淋巴结相关问题,本文研发了基于深度CNN的CT影像淋巴结检测算法和基于神经网络的术前非侵入性N2期淋巴结转移预测算法。对于CT影像中淋巴结检测,本文提出了基于深度CNN淋巴结检测算法以辅助医生对患者淋巴结情况的评估和管理。其由一个下采样的“编码器”子网络、一个上采样的“解码器”子网络和一个RPN网络构成。其不依赖于纵膈组织的空间先验信息,采用了拼接多尺度特征以缓解数据量小的方法,并在NIH开源数据集上表现出良好的淋巴结检测性能。此外,本文针对纵膈淋巴结CT影像数据格式不同的问题,提出一种纵膈及肺部分割方法,以快速分割CT影像中包含纵膈的肺部区域。对于术前淋巴结评估,本文分析了N2淋巴结转移的高风险因素,研发了基于神经网络的术前非侵入性N2期淋巴结转移预测系统以辅助患者术前淋巴结分期。本文提出的淋巴结检测算法和N2期预测算法可提供纵膈淋巴结重要先验信息,并辅助医生对患者淋巴结的管理。