肺癌不论在国内还是国外,都是发病率最高的癌症,而肺癌患者的死亡率在所有癌症中也是最高的。由于肺癌患者在早期并无明显症状,大部分人被确诊为肺癌时已经达到晚期,而此时手术方式已经无法起到很好的作用,导致患者生存率低。肺癌患者中I或Ⅱ期的五年生存率为25%～73%,而Ⅲ到Ⅳ期患者的五年生存率仅为2%～24%。但是肺癌的早期表现形式,即肺结节可通过医学影像进行诊断而更早的被发现,对肺癌的早期诊断有着重要作用。鉴于以上原因,本文从肺结节检查常用的手段即CT图像数据入手,以深度学习网络模型U-Net为基础,设计并实现肺结节辅助检测系统。本文主要研究内容有:(1)使用LUNA16数据集训练U-Net网络模型,使用U-Net对肺部CT图像数据中肺结节进行分割,实现对肺结节的检测。使用多种算法与U-Net网络模型进行对比,分析实验结果,对现有U-Net网络所存在的问题进行总结;(2)对U-Net网络目前存在的一些问题进行分析,并对网络进行改进。改进方法主要为:在原U-Net的直连结构中加入卷积层,使得上采样通路获得来自下采样通路的高级语义信息,使分割结果更为准确。在加入的卷积层中增加约束条件,使网络的训练速度更快;(3)设计并实现了基于U-Net模型的肺结节检测系统,该系统实现了对CT图像数据中肺结节的检测功能。本文对现有肺结节检测方法进行分析和总结,使用U-Net网络模型实现对肺部CT图像中肺结节的检测,针对目前U-Net网络模型存在的问题进行了改进,设计并开发了基于U-Net的肺结节辅助检测系统,实现了肺结节的自动化检测,从而降低肺结节的漏诊及误诊率、减少医生工作量、提高肺癌检测自动化程度。