随着烟草的盛行、空气污染等因素,肺癌的发病率已经占到了整个世界癌症的五分之二。近几年,医疗水平不断提高,肺癌也越来越受到了大家的重视,相关的数据也越来越详细。肺癌的早期症状在医学图像上是以肺结节表现,在处理肺结节时,医生原则上是会先依病患的病史、结节大小、形状,以及之前的X光或电脑断层检查来进行判断,这样有可能对一些可能转变为肺癌的结节检漏,病人不能得到及时诊断和治疗,错过最佳的时间,对人类造成巨大的危害。因此及时对肺结节做出分割并检测,对于预防和后续医生的治疗计划都具有重要的意义和价值。目前,唯一能降低死亡率的早期筛查是低剂量螺旋CT扫描,但是整体上因为早期肺癌的隐匿,并且人类不具备患癌意识,肺癌早期发现,早期治疗仍然任重道远。本文重点研究基于深度学习方法的肺结节分割算法,旨在为医生提供更加准确有效的辅助诊断方法,提高早期肺癌的生存率,对肺癌早期诊断和治疗具有积极作用。论文主要研究内容和取得的成果如下:1、针对小数据集医学图像存在的分割困难问题,我们利用迁移学习的方法,用VGG-16在大数据量、粗粒度的自然图像上学习特征知识、拟合网络参数,然后将特征信息迁移至小数据集、细粒度的肺结节图像分割任务上,并为了提高分割性能,提出一种分块式叠加微调(BMFT)策略作为辅助进行分割。实验结果表明BMFT方法,在LUNA16肺结节公开数据集上达到Dice值0.9179,性能明显优于主流肺结节分割网络。2、目前已经提出的用于语义分割的典型网络U-Net,但是基于U-Net的网络的医学图像分割也存在一些缺点:尽管网络对每个像素的类别预测准确性很高,但是忽略了像素之间的关系,结果使得分割结果不够连续,或者大小与标准分割大小明显不同。针对这些问题,提出基于生成式对抗网络的肺结节分割方法以提高分割性能,实验结果表明方法,在LUNA16数据集上达到Dice值0.9120。