肺癌的发病率和死亡率居全球癌症之首,肺结节作为其早期的表现形式,及早发现,及早诊断,及早治疗,可大大降低肺癌死亡率。随着医学成像技术的发展,早期肺部的微小病变越来越清晰的展现在医生眼前。人们生活水平和健康意识的不断提高以及医疗设备的精细化发展,促进了肺结节诊断治疗的发展,但同时也给传统的医生诊断增加了工作量。影像学CT(Computed Tomography,电子计算机断层扫描)检查由于其无创性,受到广大群众的青睐,但传统的诊断识别肺结节方法是影像科医生通过逐张观察被检查者肺部CT切片图像,依靠自身经验来诊断识别病人是否有肺结节以及判断其良恶性。面对大数据的CT图像,医院现存在诊断肺结节耗时长、效率低、主观性大等问题,而影像科医生面对长时间的诊断分析工作,极易造成疲劳,容易导致漏诊和误诊。针对传统医生诊断肺结节存在效率低,容易误诊和漏诊,准确率参差不齐的问题,本论文采用了两种深度学习的方法来对肺结节进行诊断识别研究。(1)针对肺结节的细节特征多而繁杂,人工识别率不高,容易误诊、漏诊的问题,构建了深度信念网络,来定量研究肺结节的精细度、内部结构、钙化程度、球形度、边缘明显度、分叶特征、毛刺征、纹理、结节体积、最大直径等10维几何数据特征,并且通过实验研究方法确定了最优的网络结构和训练参数;重点研究了不同隐层层数和隐层节点数时,识别准确率的差别,以及不同肺结节数据特征组对诊断识别准确率的影响。(2)充分利用肺结节的空间上下文特征信息,通过对CT序列样本拼接和增强操作等图像预处理方法来扩充肺结节样本,并且构建了自己的样本集;建立基于深度卷积神经网络的肺结节诊断识别模型,探讨了卷积神经网络模型参数选取原则;并通过对网络模型层级结构方法的研究,确定了最优的网络模型结构,同时还探讨了图像样本增强倍数对实验结果的影响。通过上述两种深度学习方法的研究对比,基于深度神经网络模型在准确率、敏感性、特异度等方面均有优异的表现。实验结果也表明,深度卷积神经网络学习方法具有更高的识别准确率。尤其是所构建的卷积神经网络模型算法的诊断识别准确率、敏感性和特异性分别为92.15%、92.17%和93.13%。表明本文构建的模型对肺结节具有很好的识别效果。本文采用基于数据特征和图像特征的两种深度学习方法实现对肺结节的诊断识别研究,将肺结节序列图像进行分割处理操作以构建肺结节样本集,再将增强后的肺结节样本喂入构建的深度网络模型,并训练、测试和优化模型。从而实现对肺结节样本的自动地诊断识别,进而辅助医生科学、客观、准确地进行临床诊断。因此,本文的研究工作对于肺癌的早期诊断识别具有一定意义,可为临床医生提供辅助诊断结论。本文采用基于数据特征和图像特征的两种深度学习方法实现肺结节的诊断识别,该方法具有创新性。