肺癌目前在全世界范围内被称为头号癌症,并且其发病率逐年上升,在我国的表现尤为显著。肺癌的初期表现症状以肺结节为代表,临床上肺结节检测是肺癌筛查的第一步,目前对于肺结节的检测主要是使用低剂量的计算机断层扫描技术(CT)图像来进行查看。CT影像中的肺结节具有种类繁多,结构各异,体积较小等特点,即使对于具有丰富经验的放射科医生,通过肉眼观察大量的CT切片影像并正确找出所有结节都是一件非常费时且费力的任务,并且容易发生漏诊或误诊。随着深度学习在近些年的迅速发展,深度卷积神经网络在计算机视觉领域取得了巨大的成功,其在医学图像领域也得到了越来越广泛的应用。并且目前各个种类的医学影像数据都得到了一定程度的积累,更是为使用深度卷积神经网络在实现医学影像的自动分析和协助医生实现疾病的高精度智能诊断等方面带来了新的发展空间。本文使用RetinaNet来实现对肺结节的检测,并为了提升其在肺结节检测上的效果,提出了一种基于改进RetinaNet的肺结节检测方法。为了使得设置的anchor参数更适合肺结节检测任务,通过使用K-means聚类分析算法对训练集中的边界框大小进行聚类来获得合适的anchor大小;为了能让网络通过自身的学习能够更加关注肺结节的相关信息并且忽略无关信息,从而提高肺结节的检测能力,引入注意力机制模块;为了让网络中用于肺结节检测的特征能在具有强语义的同时具有较清楚的浅层特征信息,同时融合更多的特征,将原网络中的特征金字塔替换为双向特征金字塔;最后为了降低改进的RetinaNet的参数量和计算量,引入更轻量的骨干网络以及对网络其余部分的标准卷积使用深度可分离卷积进行替换。实验结果表明,本文提出的基于改进RetinaNet的肺结节检测方法对于肺结节检测效果提升明显,并且在替换更轻量的骨干网络以及深度可分离卷积后,在检测效果变化不大的情况下降低模型参数量以及提升模型运行速度。