伴随着社会经济的提升,肺癌慢慢变为危害人类安全的主要原因之一。快速准确地判断肺部是否有肿瘤和肿瘤良性还是恶性,能够减少前期繁琐的检查,防止不需要的手术,减轻患者心理和身体的痛苦,还能够提升病人的存活率。因此,肺癌的早期诊断和治疗对于人类生命安全具有深远的意义。电子断面检测(CT)被用作肺癌诊断的筛查工具,但医生读取CT信息存在耗费时间长、容易疲劳、出现错误诊断等难题。基于肺部CT图像的计算机辅助诊断系统,能够辅助医生减轻阅片任务量、有利于增强诊断的精确率和效率。本文围绕基于肺部CT图像的计算机辅助诊断关键技术展开研究,针对难以获取海量肺部注释样本问题和传统浅层卷积神经网络难以获取图像深层特征、易过度拟合导致分类效率和精度低的问题,提出了优化方案。主要工作包括以下几点:(1)肺部CT图像预处理。原始图像存在模糊和包含冗余信息的情况,不利于网络的针对性训练,所以要对图像数据做预处理操作。首先对原始肺部CT图像本身进行增强,扩大图像的灰度范围,增强对比度,将不清晰的CT图像变得清晰,提高图像的质量和可辨识度,然后使用最大类间方差法分割CT图像,清除图像中的冗余信息,初步实现CT图像的分割,紧接着采用膨胀、腐蚀、开运算和闭运算等形态学方法实现拓取肺实质,然后利用区域生长算法,以种子点为基础实现肺部图像感兴趣区域的提取,最后,对数据集做合成少数类上采样处理,减少数据不同类别样本量的差距和增大总体样本量,实现数据的不平衡和增强处理,最终获得能够提升网络性能的数据集。(2)基于DLB-Alex Net的肺部肿瘤图像识别分类。针对传统卷积神经网络分类精度低和过拟合问题,设计一种肺部肿瘤图像的深度学习识别模型。对经典Alex Net模型进行改进和优化,改进原有激活函数和归一化层,将线性整流函数改进为带泄露整流函数,局部响应归一化改进为批量归一化层,最后输出端由Softmax算法进行肺部图像分类。实验结果表明,所改进方法提高了网络收敛速度和精确度,并提高了网络健壮性。(3)基于迁移学习和DLB-Alex Net的肺部肿瘤图像识别分类。针对如何使深度神经网络有效利用非常有限的医学数据问题,利用从大规模自然图像分类中预训练好的卷积神经网络模型作为初始特征提取器对肺部肿瘤图像进行特征提取,通过组织最佳迁移矩阵,使源域和目标域特征的多核最大均值差异最小,使用转移后的源域特征与相应知识来进行分类运算,然后应用于在目标域特征进行分类,重复运算以获取目标域标注信息,最终实现对肺肿瘤图像的分类识别。通过实验验证,所提方法避免了网络微数据的过拟合性,提高了分类效率和准确度。