肺癌正威胁着人们的健康,其发病率和死亡率高居不下,如果在发现肺癌的早期进行治疗,能显著提升患者的存活率。CT图像是用于检测肺癌最有效的技术,肺结节是肺癌早期的临床表现,这意味着研究基于CT图像的肺结节检测和肺结节良恶性诊断的技术和算法在科学和医学临床上都具有重要的意义。同时,随着深度学习在图像处理领域的应用范围不断扩大,近年来在医学图像处理上也取得了不错的效果,因而不断有研究者将目光聚焦在利用深度学习的技术进行肺结节的检测和肺结节良恶性诊断。本文主要研究基于深度卷积神经网络的肺结节检测和良恶性诊断,主要内容如下:对肺部CT图像进行预处理,为了避免肺部其他组织对检测造成干扰,利用“阈值法+形态学”的方法进行肺实质分割,并且在分割好的肺实质的CT图像上进行肺结节检测和肺结节良恶性诊断。针对肺结节的检测问题,本文设计了一个基于3D深度卷积神经网络的肺结节检测模型。该模型实现了两个功能:肺结节的提取和假阳性过滤。模型中利用3D多尺度的卷积神经网络进行候选结节提取,U型的双路径网络结构结合了残差学习和跳跃连接的优点,解决了深层网络中容易发生梯度消失的问题,提取的图像特征更加丰富并且对特征进行了充分的利用,使得网络对于小目标结节的检测更加敏感。在进行候选结节的提取时为了保证高敏感度,防止漏检,会有大量的不是肺结节的区域误诊为肺结节,即假阳性过高,所以模型的最后利用一个3D卷积神经网络进行肺结节假阳性过滤,对提取的候选结节区域进一步进行分类,从而提高检测模型的特异性。针对肺结节良恶性的诊断问题,本文利用3D密集卷积神经网络对检测到的肺结节进行二分类。由于肺结节图像的三维特殊性,利用中间密度投影还原肺结节的三维空间信息。对肺结节的CT图像通过随机翻转、添加噪声和随机裁剪的方式进行训练数据增强,并且保证训练集中正负样本比均衡。将检测出来的肺结节图像输入3D密集卷积神经网络进行分类,损失函数用Focal Loss替换传统的交叉熵损失,这样网络能更加注重学习容易分错类的样本,提升肺结节良恶性诊断的准确率,并且在网络的实现上优化了数据存储的方式,降低了模型对计算资源的消耗。