肺癌是全人类一直无法攻克的医学界难题,其极高的发病率和死亡率对人们的身体健康有着巨大的危害。专家研究表示,为了有效地治疗肺癌,提升患者的存活率,可以利用计算机辅助诊断技术来辅助医生进行肺结节的良恶性诊断,该方式明显提升了肺癌早期筛查的准确率和医生的工作效率。随着人工智能的迅猛发展,基于深度学习的计算机辅助诊断技术在医疗诊断领域表现出了强大的生命力和明显的优势。针对肺结节的良恶性辅助诊断,本文在分析了传统的基于影像组学的分类方法和主流的基于深度学习的分类方法的工作流程和其优劣势之后发现,现有的肺结节良恶性分类方法中大多数的方法思想是利用有监督学习来处理带有完整标签的数据集,而医学图像数据存在一定的特殊性,由于其标签的获取成本高昂会导致数据集稀缺。本文针对此问题,设计出了一种基于无监督的深度学习模型来进行肺结节良恶性分类。该方法将异常检测的思想引入肺结节良恶性诊断的研究中,只需要良性肺结节图像作为模型的训练数据,利用生成对抗网络和自编码器结合来模拟良性肺结节图像的数据分布,建立良性肺结节图像到隐空间的映射,通过计算图像重建损失和GAN网络的判别器损失来获取肺结节的良恶性打分,分数越高,其恶性程度也就越高。该方法突破了常见的基于深度学习的肺结节良恶性方法需要大规模带标签数据集的局限,避免了潜在的过拟合问题。基于公开数据集LIDC-IDRI的实验结果表明,与其他有监督的深度学习方法相比,本文所提出的方法在只利用良性肺结节图像进行训练的情况下,获得了较为优秀的分类效果,为后续的利用无监督学习来完成肺结节良恶性分类研究开拓了新思路。此外,在上述模型的基础上,本文提出了一种利用多个判别器集成的策略来改进生成对抗网络的模型结构。通过弱化判别器的判别能力,让生成器收到更多梯度信息的正反馈,从而提高生成器学习良性肺结节图像的数据分布的能力。实验结果表示,该方法不仅有利于提高模型的肺结节良恶性分类效果,还能缩短模型的训练时间。