肺部结节是肺癌在影像学上的早期表现,肺部结节的识别对肺癌的预防、诊断和治疗有着重要的意义,但是目前的医疗资源远不能满足患者早期筛查以及诊断治疗的需求,因此开展与肺部结节智能识别相关的研究是非常有必要的。在深入研究肺部结节的识别算法之前,为了更好地实现肺部结节的识别,避免肺部CT扫描中非肺部分的干扰,本文也对肺实质提取进行了一些探索,提出了一套简单有效的肺实质提取算法,在完成肺实质提取之后,即可进行肺结节识别算法的研究。传统的肺部结节识别往往基于阈值、聚类或模板匹配等算法完成,实现过程繁琐且准确率有限。近些年来随着人工智能和计算机视觉技术的发展,深度学习、3D卷积神经网络逐渐成为肺部结节识别的第一选择。本文基于深度学习完成了肺部结节的智能识别,在具体实现时分别尝试了两种技术路线,基于语义分割算法的结节识别(肺结节分割)以及基于目标检测算法的结节识别(肺结节检测)。肺结节分割算法主要包含两个阶段:首先利用语义分割网络提取出疑似包含结节的候选区域,之后使用分类网络将真实的结节从上一阶段提取出的大量的候选区域中区分出来,完成假阳性的衰减。在模型训练、推断的过程中,多模型融合、多阶段组合训练、多角度推断增强等策略被用来提升算法的性能,本文使用天池医疗AI大赛中的肺部CT扫描数据集对肺结节分割算法的有效性进行了验证。肺部结节检测算法是单阶段的识别算法,直接使用深度卷积神经网络得到结节的概率和位置,相比于两阶段的肺结节分割算法,单阶段检测算法的效率更高。本文使用LUNA16比赛的数据集验证了肺结节检测算法的有效性。