目的：肺癌是最常见的肺原发性恶性肿瘤，绝大多数肺癌起源于支气管粘膜上皮，故亦称支气管肺癌。近50多年来，世界各国特别是工业发达国家，肺癌的发病率和病死率均迅速上升，死于癌症的男性病人中肺癌已居首位。小细胞肺癌(SCLC)是肺癌中的特殊类型，与非小细胞肺癌(NSCLC)相比，易于早期通过淋巴与血道转移，发展快，预后差。一般说来，SCLC以内科治疗为主，而NSCLC以外科手术为主。据统计，SCLC近年来有增加的趋势，早发现、早诊断、早治疗有利于预后的改善，少数病例可望治愈。因此，有必要对SCLC的早期诊断作进一步研究，提高对SCLC的诊疗水平。　　肺癌的CT检查具有高对比度高分辨率和丰富的影像后处理能力，逐渐成为用于肺癌检查的普遍和有效的方法。但由于早期SCLC起病隐匿，缺乏特征性，肿瘤标志物的检测有一定的假阴性率，影像学表现又与非小细胞肺癌相似，临床工作中存在早期诊断难和误诊率高的问题。本研究利用灰度共生矩阵提取肺癌CT图像的纹理特征，结合肺癌患者的一般临床资料，探讨神经网络技术在SCLC的鉴别诊断中的应用。　　方法：收集徐州医学院附属医院及南京军区总医院2009～2011年SCLC及NSCLC住院患者的临床资料及CT影像资料，共计217例，其中SCLC107例，NSCLC110例。男性患者165名，女性患者52名，年龄分布在31岁～78岁之间，所有病例均由病理证实。　　样本数据的输入指标由临床资料指标和CT影像纹理特征指标两大类构成。临床资料指标包括：患者的一般情况(如年龄、性别等)、临床症状(包括刺激性咳嗽、痰血、胸痛、胸闷气喘、声嘶、关节痛、浅表淋巴结有无肿大、内分泌症状以及有无上腔静脉综合征)、吸烟史、NSE等肿瘤标志物指标、肿瘤倍增时间及随访资料、远处转移情况以及影像共计17项。CT影像及纹理特征指标包括：病灶位置、分类、支气管腔内外受侵情况、心血管有无受侵、阻塞征、原发病灶是否可见、肿块大小、密度、有无分叶、毛刺或兔耳征、淋巴结转移、胸水及胸壁情况共计13项指标以及由灰度共生矩阵提取的纹理特征指标：熵、相关性、能量、逆差矩、惯性矩、共生和、共生和的熵、共生差、共生差的熵均数及其方差共计18项。　　对各病例临床资料指标及CT影像纹理特征指标进行量化处理，具体的量化方法通过①二值量化(对应于无或有，阴性或阳性)；②分级量化；③对实验测试所得数据和由灰度共生矩阵提取的纹理特征参数进行归一化处理等方法。各病例对应的输出值分别为1(SCLC)和0(NSCLC)。在此基础上构建肺癌病例指标数据库，对于所有217个病例，平均每个病例选取3～4幅CT图像，对其进行中值滤波和灰度直方图降噪和图像增强处理后，计算其灰度共生矩阵，提取纹理特征指标。对所有病例构成的766例样本，随机选取其中的692例构成训练样本集，其余74例构成测试样本集。采用的BP神经网络共3层，其结构为：输入变量共55个，分别对应所提取的55项指标(其中位置变量由8个单元的不同取值组合构成)。隐含层的神经元数目根据仿真试验结果选取为12，输出层1个神经元，输出值为1(SCLC)和0(NSCLC)。　　用训练集对所建立的BP神经网络模型进行训练，即将各病例数据作为前向网络的输入数据加到其输入端，作为神经网络的仿真输入，同时调整神经元之间的连接权值以使网络的输出和实际的病例情况相符。如果对所有的训练样本集网络的输出基本上(95％或更高)能保证与实际结果一致，则训练过程结束。此时神经网络已建立起患者的各种因素与其是否是SCLC之间的映射关系。对训练好的模型用测试样本集进行测试，对训练集和测试集的输出结果计算其约登指数、灵敏度和特异度进行真实性和可靠性检验并绘制ROC曲线。对于一个新的疑诊患者来说，只要将他的情况输入到训练好的BP神经网络中去，根据网络的输出结果就可以对其是否患SCLC做出辅助诊断。　　本研究还建立了用于SCLC辅助诊断的RBF神经网络模型，并与BP神经网络模型的结果进行了对比。　　结果：(1)本研究对所收集的217例病例的资料建立数据库，包括临床资料指标和CT影像纹理特征指标，并对这些指标进行量化处理。(2)本研究对基于灰度共生矩阵的纹理特征的提取进行了研究，特别是对构造因子对纹理特征参数的影响进行了仿真研究。确定了在利用灰度共生矩阵计算肺癌CT图像纹理特征指标时的方向、图像的灰度级、步长等参数。在此基础上编程、计算了CT图像的次度共生矩阵，提取了相关纹理特征指标。统计分析结果表明SCLC患者在能量、逆差距较NSCLC患者较大，熵、惯性矩、共生差及共生差的熵值较小，而相关性、共生和及共生和的熵相差不大。(3)本研究建立了可应用于临床SCLC辅助诊断的BP神经网络，结果表明经过9次训练，网络的误差小于0.0001达到目标要求。用训练好的网络对测试集进行测试。SCLC患者的正确检出率为94.87％；NSCLC患者正确检出率为90.54％，误诊率为9.46％，ROC曲线下面积较大，为0.966。(4)本研究还建立了SCLC辅助诊断的RBF神经网络，经过248次训练，网络的误差小于0.0001，达到目标要求。对测试集SCLC病例的正确检出率为82.05％，NSCLC病例的正确检出率为85.71％，误诊率为14.29％。BP神经网络模型在SCLC辅助诊断方面，与RBF模型相比，ROC曲线面积较大，具有更好的性能指标。　　结论：通过计算，利用肺部CT图像的灰度共生矩阵的纹理特征指标进行SCLC和NSCLC的初步鉴别；在综合灰度共生矩阵指标和患者的一般病例资料指标的基础上建立BP神经网络模型和RBF神经网络模型，以提高影像科医生与临床医生的诊断能力，为提高SCLC患者的生存率与治愈率提供参考。