在全球范围,肺癌是患病人数最多、死亡率最高的第一大癌症,如果能够早期发现,则肺癌死亡率可大幅降低。肺部病变区域的计算机辅助检测对提高早期肺病诊断的正确率具有十分重要的意义。在临床实践上,放射科医生阅片主要关注的是征象这个较小的粒度,以“征象”为单位进行计算机辅助检测的研究,与放射科医生的经验是一致的,因此近年来出现了不少单独分析肺结节中GGO征象的研究工作,但是其它类型征象尚未被广泛关注。本论文梳理了现有的病变区域检测技术路径,分析了目前存在的问题和面临的挑战,在此基础上构建了一套肺部常见CT征象数据库,并分别研究了肺部CT分叶征像、GGO征象和空洞征象的计算机辅助检测技术。本文的主要研究内容和创新成果如下:(1)分析了现有肺部图像数据库的优缺点,设计、构建了公开可用的肺部常见CT征象数据库。数据是研究和实验的基础,构建的征象库将有助于促进面向征象的肺部病变区域检测技术的研究、开发和评估;同时能够辅助放射科医生做出诊断决策,医生能够通过参考数据库中具有相似视觉特征的CT图像和对应标注信息,增加其决策自信度;征象库还可以为培训年轻的放射科医生提供便利。(2)提出了一种基于局部特征和弯曲能的分叶征检测方法。该方法在滑动窗框架下实现了分叶征的直接检测,从而避免了因结节或肿块的错误分割而影响后续分类性能的问题;基于分叶征边界向内凹陷的弯曲特性,将弯曲能技术应用于分叶征检测工作,实验结果表明它对假阳性去除具有高效性能;揭示了全局信息和形状描述能力对分叶征检测的重要性,发现了仅依赖外观信息进行检测的局限性,以及综合考虑肺部组织分布和分叶征分布等领域内统计信息的必要性。(3)提出了基于融合采样与逐层精调机制的深度学习方法,用于三维GGO征象检测。我们根据GGO征象的三维形状特性,提出了基于多视角和多接受域的融合采样方法,一方面降低了计算资源消耗量,另一方面最大限度使采样平面具有代表性,使算法可同时处理多种尺寸的GGO征象,降低过小或过大征象区域的遗漏;将逐层精调策略结合进多模型融合架构中,前者负责获得最佳CNN精调模型,而后者则可获得优于任一单模型的检测性能,从而提升了系统整体检测性能。(4)提出了基于多接受域-多衰减窗融合采样和多特征融合的空洞征象检测方法。通过多接受域采样可同时处理多个尺度的征象,而多衰减窗采样则通过三通道伪彩色的方式保留了三个衰减窗的上下文信息,这些信息被整体送入CNN网络,相当于多了一个信息维度,为后续处理提供更多有区分度的信息。CNN与HOG、LBP的融合特征具有比任何单一特征更强的区分能力,提升了系统分类性能。