随着低剂量计算机断层扫描技术(LDCT:Low-Dose CT)在原发性肺癌早期筛查中的广泛应用,产生海量肺部CT图像,为肺癌筛查工作的放射科医生带来巨大的工作量。另外,低剂量计算机断层扫描技术具有成像数目多、分辨率低的特点,导致早期肺癌筛查漏诊率和误诊率居高不下。针对这一情况,人们利用计算机批量计算和定量分析的优势开发了计算机辅助诊断系统(CAD:Computer-Aided Diagnosis)来帮助临床医生对早期肺癌的临床表征一孤立性肺结节的良恶性进行识别。随着CAD系统对肺结节几何特征的研究日益成熟,利用传统机器学习算法构建的分类模型在处理大数据样本时,由于结构简单,导致的计算成本高,模型性能无法提高的问题,本课题提出从频率域提取肺结节纹理特征,利用深度置信网络构建分类模型的方法研究肺结节纹理改变对其良恶性分类的指导意义。首先,针对传统Gabor变换采用固定窗口法或者均匀采样法提取肺结节纹理特征带来的灵活度差,数据冗余的问题,提出窗口大小随图像频率变化的自适应Gabor小波提取肺结节纹理特征;然后,针对使用传统机器学习算法构建分类模型时,为了减少模型过拟合现象,提高模型的泛化能力,需要对特征向量进行降维处理而带来的计算成本高,过程繁琐的问题,利用深度置信网络具有RBM无监督非线性拟合数据的结构功能以及对复杂数据非线性映射能力强的特点,搭建基于深度置信网络的肺结节良恶性分类模型;最后,与传统空间域提取肺结节纹理特征结合机器学习算法构建分类模型的研究方法进行对比,论证了本课题的方法在研究肺结节纹理改变对其良恶性分类的指导中,模型检测的准确度高,误诊率、漏诊率以及时间成本较低。