随着深度学习技术和计算机视觉相关技术的飞速发展,其应用范围也越来越广泛,因此将深度学习技术应用在医疗影像上也成了当下一个热门的话题,由此计算机辅助诊断技术也进入了一个新的次元。通过引入深度学习技术,初步的辅助诊断也变得越来越高效。本文从应用实际出发,旨在通过将深度学习技术应用在肺癌和甲状腺癌CT图像上来实现对这两个疾病的自动化诊断。对于肺癌CT图像,本文实现了肺结节的检测、假阳性筛查与良恶性分类三个个阶段的任务。在肺结节的检测当中,提出了U-Net+RPN构建的检测网络,称为NoduleNet,该网络结构在肺结节检测任务上达到了十分理想的结果,在测试集上的平均FROC值达到了0.876,相较于Luna16上的其它解决方案也有着极具竞争力的表现,并且在查全率上也要优于其它方案。在肺结节良恶性分类任务上,提出了3DU-Net分类网络+Leaky Noise-or全连接结构,该网络结构的检测精度达到了93%以上,与资深医生的分类准确率相比都不遑多让,在检测速度上更是有了质的飞跃。而在甲状腺癌上碍于给定数据的标注信息不完整不准确等问题,只是做了良恶性分类的任务,采用的模型为3D U-Net分类网络。最终的结果并不理想,在测试集上检测准确率只有69%,由于在该方面没有相关的研究,因此本工作只是为后续的工作提供了参考。在本文的最后,设计并实现了一个WEB APP来将上述提到的算法进行落地应用的尝试,以一种直观的方式将智慧医疗成果展示到大众面前。