近些年,肺癌已经成为发生率和死亡率最高的恶性肿瘤,严重危害着人类的健康。肺癌主要是由于恶性肺结节造成的,早期的肺结节检测和诊断技术能够及时发现病情,显著提高肺癌的存活率,因此肺结节检测的研究具有十分重要的意义。随着人工智能理论和技术的快速发展,它已经开始慢慢地渗透进我们生活的各个方面。其中,尤其是人工智能里面的深度学习,正在快速地应用到许多领域和学科。本文以医学辅助诊断领域中的肺结节检测问题为研究对象,提出了一些基于深度学习的肺结节检测算法。本文的主要贡献如下:1.引入新的数据增强方式Increment方法。训练一个复杂的深度卷积神经模型模型往往需要很大规模的样本,数据集越大,往往越容易训练出泛化能力好的模型,然而医学图像领域的可用数据非常有限。本文对数据集LUNA16,除了使用常规的数据增强方法来扩充数据,还引入了新的数据增强方式Increment方法。在CT影像中添加额外的肺结节立方体,缓解每个CT影像中只含有少量的正样本或者没有正样本的问题和原来肺结节半径的概率分布不均衡的现象。2.提出一种基于改进的3D SENet和3D RPN的候选结节检测模型。该模型首先通过改进的3D SENet网络进行特征提取。然后,利用3D RPN的思想,在最后一层网络上,对每个像素设置多个锚框(anchor box),基于锚框进行候选结节检测。基于优秀的分类网络SENet,本文对3D SENet网络结构进行改进,主要通过改进3D SENet网络里面的3D SE block,提出通过两个不同的Squeeze操作和Excition操作,提取特征图中每个通道之间的特征响应和每个通道中深度信息的特征响应。通过实验验证,可以进一步提高模型的肺结节识别率,从而验证了网络的有效性。3.提出一种基于改进的3D SENet的假阳性降低模型。针对肺结节尺寸的多样性,本文提出设计三个不同尺度输入的假阳性降低模型,集合这三个模型共同决定是否是肺结节;然后针对肺结节样本和非肺结节样本分布的不平衡性,采用Focal LOSS缓解这个问题。通过实验验证,该模型能够对候选结节检测模型输出的候选肺结节进行准确的分类,可以有效地降低肺结节的假阳性。总的来说,本文通过对CT影像数据和深度卷积神经网络模型的研究,提出了一种针对CT影像数据的肺结节检测的方法。实验结果表明,本文提出的肺结节检测方法和其他方法相比较有较大优势,该方法能够快速对CT影像进行肺结节检测,辅助医生进行肺癌的诊断,可以提高患者的存活率。