肺栓塞(Pulmonary Embolism,PE)是人类与癌症相关的死亡的最常见原因之一。用于医学疾病筛查的计算机断层扫描(Computer Tomography,CT)是肺栓塞敏感性高且早期发现的无创诊断方法,可大大提高生存率。但是,解释医学图像并制定评估或护理决策需要专门合格的医学专家,当前解释诊断图像的方法是费力、费时、昂贵且容易出错的。因此,基于神经网络模型的辅助诊断具有重要意义,该模型将自动提供诊断建议。深度学习的最新发展鼓励我们重新考虑临床诊断专注于医学图像的方式。事实证明,早期发现对于为患者提供最大的康复和生存可能性至关重要。在本文中,我们提出了一种基于CT图像的神经网络框架,对肺栓塞和结节进行了全自动分割和分类。我们的工作包括两部分:PE分割(预处理和训练模型以进行PE分割)和分类(将候选结节诊断和分类为良性或恶性)。对于PE分割,我们结合CT窗口技术和图像裁剪,设计了一种新的有效图像预处理方法。建立的该模型是编码器-解码器卷积网络,剩余块代替原始卷积块用于U-Net。为了进行分类,奇异结节,分别构建了两个深层3D Conv Nets用于结节检测和分类。此外,我们验证了将结节标度与原始3D裁剪结节像素进行混合的功能,并使用了梯度增强机作为分类器,与传统分类器相比,获得了很好的结果。我们使用3D双路径网络(Dual Path Networks,DPN)作为组件。正是基于Faster R-CNN用于物体检测的效率,我们提出了基于3D双路径框架和类似U-Net的编解码器布局的3D Faster R-CNN用于结节检测,以及用于结节分类的深3D双路径网络。最后,在两项建议的工作中,我们均取得了优于精度的输出,这证明了论文提出的神经网络模型的准确性。