肺癌已经成为导致病人死亡的恶性疾病中最主要的一种,由于发病率高,而确诊后的治愈率较低,所以患者的存活率一直处于较低的水平。CT技术广泛应用为医生在诊断肺部病灶方面提供了精确的帮助,但是肺癌患者数量仍然居高不下的原因主要有3点:(1)肺部CT扫描图像数量庞大,有经验的阅片医生不足以应付快速增长的病例。(2)肺部的血管、组织较多,与肺部病灶相互交织在一起不易分辨。(3)传统的机器学习方法主要是通过人工提取病灶的低层特征,不同的专家有着不同的提取方法,而不同的特征对于分类结果有着很大的影响。针对肺部CT扫描图像的计算机辅助诊断系统可以有效的提高医生的诊断率,减轻医生的负担,给患者提供较为客观的诊断结果。计算机辅助诊断系统主要由肺部感兴趣区域(RegionofInterest,ROI)的提取和对良恶性结节的分类两部分组成。感兴趣区域的提取是通过分割肺实质、提取感兴趣区域以去除不必要的组织器官的干扰。肺结节分类识别是准确评价一个分类器分类性能优劣的标准。本文针对计算机辅助诊断系统的两大关键:肺部CT图像感兴趣区域的提取和肺结节的分类展开了研究。1.本文针对传统分割方法中,存在过多的人工手动分割或者只分割肺实质而肺实质中依然残存较多的组织噪声的问题。使用了一种肺部感兴趣区域分割方法。首先,使用一种直方图均衡化的方法对原始肺部CT图像进行增强。然后结合迭代阈值法和形态学分割出肺实质。最后使用了一种形态学的方法,对肺实质图像提取感兴趣区域。本文使用的提取感兴趣区域的方法主要有以下两个创新点:(1)使用直方图均衡化的方法提高了图像的清晰度和可辨识度,有利于下一步肺实质的分割。(2)使用形态学的方法于对肺实质的去噪,减少了不相干的噪声干扰。2.使用一种基于卷积神经网络的肺结节(Convolutional neural network,CNN)CT图像分类模型。首先设计了 9层的网络,其中包括了四个卷积层、四个池化层和一个全连接层。经过对比选取了 TanH作为激活函数,0.0001作为学习率。这部分主要的创新点在于将深度学习的方法应用于肺结节的分类中,避免了人工提取特征,分类结果更客观准确。3.在LIDC数据集上的实验表明,自定义的9层CNN分类的准确率、敏感性和特异性分别为:89.0%、90.9%、87.2%,使用预处理后的数据集比原数据集在各项分类指标都有所提升,并且对比别的分类方法效果也有所提升。