肺结节作为早期肺癌的主要征象,其检测对肺癌的诊断具有至关重要的意义。CT技术应用的蓬勃发展,有效提高了肺结节的检出率。但是随着影像技术的不断发展和相关临床需求的不断增加,影像诊断医师的工作越来越繁重,长时间阅片后极易疲劳,进而导致出现一定程度的漏诊和误诊。因此迫切需要研究计算机辅助检测和诊断技术来辅助医师。近年来,随着神经网络和深度学习技术的不断发展,将深度学习技术扩展到医疗处理领域已经成了一个大的热门方向。本文主要研究深度学习技术在肺结节检测方面的应用,主要针对CT序列中肺结节的位置和大小进行检测。在进行结节检测前,本文先提出一种基于阈值分割和形态学操作相结合的肺实质分割方法。首先,根据固定阈值将CT序列中的每张切片进行二值化。然后,依次采用二维形态学操作中的消除边缘噪声、二维连通区域标记、腐蚀操作、闭合运算、孔洞填充对二值图像进行处理,此时大致的肺实质区域已经被分割出来。最后采用三维连通区域标记的方式,提取出左肺和右肺区域,得到比较光滑的无杂质的肺实质区域。肺实质分割一方面为肺结节检测提供可靠的检测区域,减少因肺结节检测器检测到肺实质以外组织而造成的假阳。另一方面可以减少检测器的运行时间,加快检测速度。在肺实质分割后,本文提出了一种基于3D Faster R-CNN的肺结节检测网络,其采用3D双通道模块和近似U-Net编解码器结构,对病人单次CT序列的所有切片之间的空间关系进行充分利用。首先,将CT序列的所有切片输入,通过线性变换和采样等操作处理成三维数据。然后,训练所构建的检测网络以学习结节的三维特征。最后,对三维数据块中包含结节的可能性进行预测并通过回归方法得到疑似结节的中心位置和大小。双通道连接同时具有残差连接和密集连接的优点,在特征重用的基础上能够充分学习新的特征,由此设计的结节检测网络具有参数少和效果好的优点。为验证本文所提算法的有效性,将其在LUNA16公共数据集上进行测试,在10个子集上得到的最高FROC值为0.910,平均FROC值为0.864,说明此算法对真假结节的区分度良好;最高召回率值为0.991,平均召回率值为0.951,说明此算法具有较高的结节检出率。同时将测试结果与目前领先的肺结节检测算法进行比较,实验结果显示本文方法可以达到同样甚至更高的指标,证明本文算法在肺结节检测领域有一定的实用价值和研究前景。本文工作对利用计算机辅助检测技术提高肺结节病变的检出率和准确率起到积极的推动作用。