肺癌的发病率在不断增高,已成为对人类健康威胁最大的恶性肿瘤之一。肺结节是一种常见的肺部病变,虽然肺部多发结节以良性为主,但某些结节存在癌变的风险。因此,恶性结节的提早发现、及时治疗显的尤为重要。目前在临床上面,主要是由专家依据个人经验,通过观测肺部CT图像对结节进行判断,从而给出诊断结论。人工结节检测耗时较长,同时对医生的专业素质要求很高,难以保证所有病人能够得到及时的诊断和治疗。同时人工诊断存在较大的主观偶然性,会给检测结果带来一定的差异,尤其是某些结节边界不清、形状不规则、不同扫描层的形态变化很大,给判定带来困难,导致患者错过最佳的治疗时期。计算机辅助诊断系统可以为医生提供有效的图像解释和诊断建议。近些年,深度学习技术的快速发展,为医学图像计算机辅助诊断提供了新的技术手段。将医学知识与计算机辅助诊断系统相结合,能够大大的提高诊断精度,避免漏诊、误诊的现象,确保及时发现病灶,及早治疗。本文对基于深度学习的肺结节自动检测算法开展研究,提出了基于多尺度的肺结节检测算法和基于注意力机制的肺结节检测算法,并通过对实验结果的对比分析,确定最优模型,实现对肺结节的高概率、精准检测。最后,搭建肺结节检测系统,为实现肺结节自动检测算法的临床应用提供技术保障。在基于多尺度的肺结节检测算法的研究方面,采用三维卷积神经网络作为基础网络,实现对CT图像序列的特征提取,充分考虑切片间的关系,有效利用病灶的空间内部联系。并且该模型融入了Anchor机制、特征融合、残差机制和多尺度策略。Anchor机制可以实现对不同大小的肺结节的精准检测,特征融合的思想充分地利用了深层信息和浅层信息,残差机制使得网络自动选择合适的网络深度。多尺度机制有效的避免了对一些肺结节的漏检问题,该模型的CPM(competition performance metric)值达到了0.8416。在基于注意力机制的肺结节检测算法的研究方面,主要思想是采用注意力机制实现对重点特征信息的关注,并且忽略无关的特征信息。本文主要采用软注意力机制,在三维卷积神经网络中通过融入通道注意力(channel attention)和空间注意力(spatial attention)筛选重要信息,增强网络的特征表达,提高对结节的检测能力,实现对肺结节的高概率、精准检测。本文搭建了两种注意力机制模型,并通过系数k来调节模型结构。通过对实验结果和评价标准进行对比分析,k为1时模型对结节的检测能力相对更好。该模型在FPs/scan为2时,敏感度(sensitivity)达到了0.9818。模型的CPM值高达0.8715,与没有加入注意力的模型相比提高了1.31%。肺结节检测系统方面,采用HTML语言搭建了网页端的肺结节检测系统。同时,本文采用了My SQL数据库实现数据的存储功能。肺结节检测系统,实现了医务人员对病人信息和诊断结果的录入和查看等功能。将基于Python的肺结节检测算法嵌入系统,实现肺部CT影像的批量检测,极大地提高了医生的工作效率。