肺癌是全世界发病率最高的癌症,其死亡率在所有癌症中居首位,对人类生命有重大的威胁。研究表明早发现肺癌并进行治疗,能够降低肺癌患者的死亡率,然而肺癌在早期没有非常明显的临床特征,发现比较困难,容易出现误诊、漏诊。低计量的胸部CT扫描是肺癌早期筛查的常用方法,但这需要放射科医生进行人工阅片才能得出结论,这无疑增加了医生的工作量且因为人工识别的原因,若临床经验不丰富,难免会出现误诊或漏诊,而随着近年来计算机及神经网络技术的飞速发展,通过医学影像和机器学习的辅助诊疗,实现对早期肺癌的精准识别成为当前的研究热点和重要方向之一。本文研究了基于深度神经网络的肺结节识别技术,并使用该方法模拟放射科医生识别CT影像中的肺结节。本文的研究分三个阶段:第一阶段是寻找所有的疑似肺结节并进行分割;第二阶段是假阳性肺结节的排查;第三阶段是肺结节识别网络的形成。本文针对肺结节识别采用以卷积神经网络为核心的方法进行了研究,主要贡献如下:1.对于疑似肺结节的分割,本文在研究了众多深度学习方法的基础上,提出了改进型U-Net的方法。在U-Net结构基础上融合了residual block和dense block,使网络能提取更多的肺结节特征,同时解决梯度消失等问题,提升肺结节分割精度。采用focal loss代价函数代替传统的代价函数,该代价函数可以解决小目标分割效果不理想问题,使分割精度进一步提升。2.对于假阳性肺结节的排查,本文在研究了众多假阳性排查算法的基础上,提出基于3D-CNN的多尺度肺结节假阳性筛查方法。该方法对有现有3D-CNN模型进行了改进,借鉴了VGG的思路,采用小卷积核进行采样,同时加深了网络结构并融入了残差模块,提升模型性能。本文根据肺结节直径大小,对3D-CNN模型的输入肺结节尺寸做了更加合理的划分,在多尺度模型中对权值分配做了优化。实验证明本文方法要优于一般的2D-CNN和3D-CNN方法。3.对于肺结节识别网络形成,本文在前两项研究的基础上,通过将改进型U-Net模型和3D-CNN多尺度肺结节假阳性排查模型进行串联,结合肺结节质心获取算法和肺结节块获取算法,得到最终的肺结节识别网络,通过与其他肺结节识别方法的对比,本文的识别方法从准确度、灵敏度、特异性方面要优于一般的方法。本文通过深度神经网络方法对肺部CT影像进行肺结节的识别,可在早期发现肺结节,从而使更多的肺癌患者能在早期或者常规体检中发现恶性肺部结节,获得手术根治的机会。