目前,肺癌是第二大常见的癌症。肺癌患者的5年存活率仅为15%。如果肺癌早期能被检测定位到,肺癌患者的存活率将从15%提高到49%。肺癌的早期诊断对于提高肺癌患者的存活率具有重大意义。目前,肺部疾病的影像诊断方法有许多种,其中X光胸片具有价格低廉、常规化检查、辐射低等优点。从而可见X光胸片是早期肺癌检测和诊断的重要手段。早期肺癌在医学影像中通常表现为孤立的肺结节,在肺癌患者的胸片中检测到肺结节并进行早期治疗对肺癌患者非常重要。胸片中存在着重叠的解剖结构,这对放射科医生诊断肺部疾病是一大挑战。计算机辅助诊断方法是应用于影像诊断的技术,随着计算机发展而发展起来的。使用计算机辅助诊断能帮助医生检测和诊断肺结节,减少医生的误诊和漏诊。研究表明使用计算机辅助诊断能够提高放射科医生阅读和理解X光胸片的效率。基于胸片的肺结节检测研究越来越受研究者们的关注。本文主要围绕着X光胸片的肺结节检测进行研究。本文的方法从3个步骤进行开展,分别为肺区分割,候选肺结节检测以及候选结节分类。本文方法与以前研究者处理流程的显著性差异在于没有选取候选肺结节特征集,直接采用深度学习模型进行分类。本文主要研究内容如下:(1)肺区分割是对胸片图像进行图像分析前必须执行的步骤。本文首先对胸片图像采用亮度归一化预处理,再采用多分辨主动形状模型分割肺区,最终得到了精确的分割效果。(2)根据肺结节的特点,本文提出了多尺度权重收敛指数滤波器改进方法用于候选肺结节检测。对比改进前后算法,本文提出的改进算法在3个性能指标方面都优于未改进方法。(3)对于候选肺结节分类问题,本文选用深度学习模型中的AlexNet模型。根据实验中使用的JSRT数据库数据量少以及肺结节不明显的特点,对训练数据进行数据扩增以及背景趋势校正处理。胸片图像经过候选结节检测后,从图像中截取候选肺结节patch输入到训练好的AlexNet模型,最终得到肺结节检测结果图。实验表明,本文解决肺结节检测问题而采用的算法取得了良好的结果。肺结节检测的正确率为79.26%,每幅胸片图像中FP平均数量为5.6。本文方法减少了肺结节分割以及筛选肺结节特征集的过程,减少了算法整体的复杂度。