肺癌作为发病率最高的癌症之一,对人类的健康危害甚大。肺结节是肺癌早期的表现形式,如果能在肺结节时期就对病人进行针对性治疗,病人的生存率就可以大大提高。随着科技的进步,对肺结节的检测方法和手段也越来越多样,本文提出一种新的检测方法——基于卷积神经网络的肺结节检测系统。在本系统中,对肺部结节的检测过程分为以下几个部分:首先,对初始CT图像进行预处理,把图像的像素值转化为亨氏单位值,并对图像进行统一重采样;其次,对预处理过的图像进行肺部分割,主要使用了两种分割方法:使用一般形态学操作进行分割和使用分水岭算法进行分割。最后,把两种分割后的图像都放入基于卷积神经网络的Unet模型中。通过实验数据的验证集对Unet模型的两种卷积算子的优劣进行了比较,并选定了比较合适的检测模型。再使用该模型分别得到两种不同分割方法的结节检测评价函数(intersection over union,IOU值),并对两种方法的优劣进行了分析。对于Unet模型来说,3*3卷积算子要比5*5卷积算子有着更高的IOU值。究其原因,可能是因为医学图像具诊疗意义的图像特征一般都较小,使用较大卷积算子容易造成内容丢失,对检测结果存在不利影响。而基于一般形态学的分割和基于分水岭的分割方法从结节检测结果上看,使用分水岭的分割检测方法更胜一筹,因为该方法使用黑帽算法对肺部的轮廓线有更进一步的处理,而非简单地使用膨胀、腐蚀等操作。但是分水岭分割虽然对成功率有所提升,但检测过程费时费力,步骤繁琐,对计算机运算能力有一定要求,而使用一般形态学的分割检测胜在步骤简单、易操作,检测快捷方便。医生可以根据实际需要进行选择。