近年来,肺癌的致死率逐年上升,对肺部疾病的早期预防显得尤为重要。而肺结节作为肺癌的早期主要征象之一,针对肺部结节的检测成为预防肺癌的首选方案。医学图像作为计算机辅助医疗的重要媒介,承载丰富的诊疗信息,在医学研究和诊断领域中的作用日益凸显。其中,CT图像是以非侵入的方式取得内部组织影像,属于非可见光重建成像,透视能力更佳,且因其检查方便、结构显示清晰等特点,成为医生诊断病症、评估疗效的重要工具。为有效提高肺癌的诊疗效果,从肺部CT图像中将肺结节精准地分离出来对肺癌的评估及诊断大有助益。如何高效提取图像特征、准确识别病灶具有重要的研究价值。针对CT图像进行肺结节的分割识别已经成为研究的热点,但由于CT图像灰度不均匀、边界模糊不清等问题,传统的分割方法虽然可以分割出结节的轮廓边界,但过分割现象严重,分割准确率不够理想。卷积神经网络的多层结构能够提取高质量的特征,其中较浅的卷积层学习局部区域的特征,较深层次的卷积层学习一些抽象的特征,这些抽象特征对物体的大小、位置、和方向等敏感性更低,从而有助于分割性能的提高。然而,具有合理标签的医学成像数据量较少,导致很难使用卷积神经网络对医学图像直接进行训练。针对以上问题,本文提出了一种基于全卷积神经网络方法进行迁移学习的肺部结节自动分割方法,该方法利用自然图像训练得到的权重参数初始化网络,经过简单的参数微调后进行肺部CT图像的分割,不仅缩短了训练时间,还有效解决了数据较少的问题。具体地,本文首先在自然数据集上对网络模型进行预训练,并从预训练中得到权重信息。然后对医学图像数据集进行对应标签制作,同时,由于全卷积神经网络不限制输入图像的尺寸,可进行数据增强操作,增加图像数量的同时还可以达到增强图像数据多样性的效果。最后将得到的权重作为待微调网络的初始值微调网络后进行训练,训练结束后,保存训练模型。将测试集中的图像放入训练过的FCN中即可得到最终的分割结果。实验结果表明,通过基于迁移学习的全卷积神经网络自动学习所获得的特征更有利于肺结节的分割,分割结果优于传统水平集和Graph Cut分割方法,具有较高的准确性。