肺癌是最常见、最致命的恶性肿瘤之一,国际肺癌研究协会(IASLC)国际分期项目证实,随着肿瘤大小的增加,生存率降低,表明早期诊断和及时治疗是降低肺癌患者死亡率的有效且关键的方法。CT在肺结节的检出和定性中起着重要的作用,鉴别良性结节和恶性结节对于指导临床进一步治疗有重要意义。近年来,随着CT的发展和应用,可以提高肺癌早期诊断的敏感性、特异性、准确性。因为医学图像具有边缘模糊、灰度不均匀、个体差异性大、噪声和伪影严重等特点,因此在相关算法研究中很难达到高灵敏度和高精度要求。本文根据胸腔CT影像的解剖学特征,在肺实质分割、疑似肺结节检测和分割这两个方向上进行了深入研究和大量实验。本文的主要工作包括:(1)肺实质图像的自动分割为了提高肺癌早期肺结节诊断的敏感性、特异性、准确性,首先应该对肺部图像进行预处理操作,即肺实质分割。本文研究了基于模糊建模思想和迭代相对模糊连接度(IRFC)算法的自动解剖识别(AAR)方法,对肺部CT图像进行了肺实质分割。模糊集概念已广泛应用于图像处理和3D可视化中,模糊建模方法以全数字形式将解剖信息引入到为对象识别和对象划分而设计的图形理论框架中,捕获图像的不确定信息,将信息编码到模型中。该方法包括五个步骤:收集图像数据,用于模型构建和测试AAR;叙述胸腔中每个器官的精确定义,并根据定义提取肺部轮廓;建立分层模糊解剖模型;利用分层模型识别和定位肺部;根据层级结构提取肺部轮廓。近年来,临床放射学研究和实践越来越具有定量性。此外,图像的尺寸和体积不断增加。为了使定量放射学变得切实可行,至关重要的是图像分割算法及其快速实现并且在非常大的数据集上产生切实的运行时间。为了满足切合实际的运行时间,优化AAR算法,提升算法的运行速度。(2)疑似肺结节检测和区域提取在进行肺实质分割之后,就需要对肺结节进行自动检测和分割处理,该项工作是准确提取肺结节特征的前提,对于假阳性降低尤为重要。肺结节自动检测和分割的主要依据是结节中心区域的CT值较高,且边界呈不规则形状。本文提出基于改进Mask-RCNN的疑似结节分割方法,根据肺结节图像修改的分别基于ResNet和DenseNet的特征金字塔网络(FPN),被用作Mask-RCNN的骨干网络。通过结节的像素级先验知识,使用Mask-RCNN提取适合于结节图像的金字塔特征图,再由Mask-RCNN识别提供的结节边界框来获得感兴趣区域(ROI)以进行结节的识别和分割,实现了肺结节CT影像的自适应优质分割。