肺癌作为发病率最高的癌症之一,严重危害人类的生命健康安全,及时发现并诊断肺癌有利于为患者提供最佳的康复治疗方案。然而,临床上肺结核与肺腺癌均可表现为实性肺结节,容易导致误诊和漏诊,为实性肺结节的术前诊断带来了较大的挑战。随着深度学习技术的迅速发展,已有研究表明深度学习技术在应用于医学影像处理时取得了较好的效果。但是,在基于深度学习的计算机辅助诊断中,临床上获取的实性肺结节样本数据集普遍规模较小,极易导致模型出现对数据集过拟合的现象,且对临床数据进行准确的人工标注需要耗费高昂的时间及经济成本,不利于有监督学习模型的训练。针对上述问题,本文基于生成对抗网络提出了针对实性肺结节CT影像的特征提取算法及诊断算法,对表现为实性肺结节的肺结核与肺腺癌进行诊断。首先,针对样本不足的问题,本文提出了基于生成对抗网络与注意力机制的实性肺结节CT影像诊断算法。该算法通过生成对抗网络实现对实性肺结节临床数据的增广,且在卷积神经网络的基础上引入注意力机制,构建了基于Dense Net和Transformers结构的特征提取模型,并在增广后的数据集上训练模型以提取实性肺结节影像的深度特征,最终通过结合深度特征与医生对肺结节的主观征象进一步提升对肺结节良恶性的诊断准确性。在临床数据集上的实验结果表明,本文提出的实性肺结节CT影像诊断算法减缓了端到端模型在小样本数据集上的过拟合程度,有助于提升对表现为实性肺结节的肺结核与肺腺癌的诊断性能。其次,针对标签不足的问题,本文提出了基于生成对抗网络与自监督学习的实性肺结节CT影像特征提取算法。该算法以生成对抗网络为基础,引入多任务学习的思想,生成对抗网络中的判别器在完成对抗训练任务的同时,还需要完成半监督学习分类任务及自监督学习前置任务。训练完成后的判别器将作为实性肺结节CT影像的特征提取器应用到下游诊断任务中。在临床数据集上的实验结果表明,本文提出的实性肺结节CT影像特征提取算法仅需要少量有标注样本数据就可实现对实性肺结节CT影像特征的提取,且特征具有较好的稳定性和鲁棒性,减缓了小样本数据集对判别器特征提取的影响,在应用于下游诊断任务时能获得较好的性能。