医学图像能提供重要的临床诊断信息,大量病情的确诊都依赖于对医学图像的识别。近年来,因设备性能的不断提升产生了大量的医学图像数据,提供了更加丰富的特征信息,如何精确有效的从大量医学图像中识别出有用信息对于病情诊断具有重要的意义。区域卷积神经网络(Regional convolution neural network,R-CNN)在医学图像识别中应用很广泛,因此,本文围绕肺部CT医学图像数据为对象,结合R-CNN完成对肺结节的识别研究。旨在辅助医生检测和诊断肺结节,减少工作量的同时也能降低误诊率和漏检率,对肺癌的早期诊断和治疗具有重要作用。论文主要研究内容如下:1.对数据集进行数据预处理。原始数据中存在着CT床金属线和骨骼亮点等不相关成分,为了减少对实验的干扰,需要对CT图像进行肺实质分割处理。采用阈值分割法将CT图像生成二值图,并对二值图进行腐蚀、闭合等一系列的操作完成对肺实质的提取,使数据符合神经网络的输入标准。2.提出一种用于候选肺结节检测的3D DPN-U Faster R-CNN模型。该模型是在3D DPN-Unet为特征提取网络的基础上改进的,而3D DPN-Unet网络是由3D双路径网络(Dual Path Network,DPN)为构建块在Unet结构的基础上设计的。由于肺结节属于小目标检测,传统的Faster R-CNN对小尺寸物体的检测效果不好;而Unet骨干网通过跳跃连接使网络捕获多尺度的信息,增加对结节检测的敏感性,以及3D DPN网络结构紧凑,参数较少,容易训练,还能充分利用CT数据的3D特性。因此,将3D DPN和Unet结合设计成Faster R-CNN检测器的特征提取网络引入。实验结果表明,经过改进的新型检测网络能增强对候选结节检测的精确度。3.提出一种用于肺结节良恶性分类的3D Deep DPN-LGBM模型。该模型是由3D Deep DPN网络和轻量级梯度提升机(Light Gradient Boosting Machine,Light GBM)算法结合而成。由于肺结节良恶性的分类需要学习候选结节更丰富的特征信息,对分类模型的性能要求更高;而Deep DPN能提取更精细的特征,以及Light GBM在有效特征训练下具有较好的分类性能。因此,设计3D Deep DPN通过只关注候选肺结节区域提取更高级的特征,并与引入的候选结节尺寸和原始像素额外特征进行特征构建,在给定完整有效的特征后,训练Light GBM对候选结节进行良恶性分类。实验结果表明,提出的分类框架能更加准确的实现良恶性分类,有效降低假阳性。