肺癌是当今世界威胁人类生命和健康最大的恶性肿瘤之一,大数据与深度学习等前沿技术应用在医疗领域中已经成为一种趋势,已经有很多深度学习算法应用于肺癌早期筛查与诊断中,不仅可以挽救患者生命,而且可以缓解医疗资源。为了辅助放射性医生提高早期肺癌的检出率和诊断肺结节良恶性准确率,计算机辅助检测系统(CADe)和计算机辅助诊断系统(CADx)的出现给患者和医师带来了新的机遇和挑战,利用计算机辅助诊断技术来帮助放射性学家读取和理解医学影像,减少医生处理数据的工作量,提高了诊断效率和精度。本文针对以上两个系统进行了详细的研究和设计,具体工作如下:(1)针对传统的肺癌计算机辅助检测系统采用人工设计特征的方法,不仅过程复杂且伴随着大量的假阳性数据这一问题,本文将深度信念网络引入肺癌检测模型中,提出了一种基于多视角深度信念网络的肺结节识别方法。由于肺结节在空间上是一个三维的类球体,所以该方法首先将肺结节进行三维重建并将重建后不同大小的肺结节归一到不同尺度的立方体中,然后将不同视角的2.5D切片作为深度信念网络的输入数据,最后通过不同的融合策略完成对肺结节的识别。在肺癌数据集上大量实验表明:相比于传统肺癌检测系统本文方法敏感性为92.8±0.25%,平均每组病例假阳性个数为2.4±0.3,该方法能有效剔除肺结节检出过程的假阳性数据。(2)为了解决传统的计算机辅助诊断系统中肺结节特征提取过程复杂的问题,本文将深度信念网络引入肺癌诊断模型中,提出了一种基于深度信念网络的肺结节良恶性诊断算法。针对数据集的特点,对原始CT图像进行预处理采用改进的阈值概率图方法,然后采用多隐层深度信念网络提取肺结节图像的分布式特征,形成特征向量,最后训练极限学习机对生成的特征向量进行分类。实验详细讨论并设计了自定义深度信念网络的结构参数,并对比多种深度学习方法在肺结节诊断方面的优势与不足,证明了本文提出的方法在各项指标中均优于其他算法。