近年来,肺癌已经成为当今发病率和死亡率最高的癌症疾病之一。肺癌的早期诊断和治疗能够有效的降低患者的死亡率,在提高治愈率方面起着至关重要的作用。肺癌早期大多表现为孤立性结节。PET和CT影像可以有效的对结节进行检测,但是肺结节良恶性的确诊仍须进一步的病理检查,由此会给患者造成经济和身心的双重负担。目前,计算机辅助诊断技术能够通过提取肺结节图像中的纹理、形状等特征对图像进行分析,为放射科医师诊断提供支持,但是基于统计特征提取的诊断方法无法适用于组织结构复杂的肺结节。深度自编码技术可以通过多层非线性网络堆叠自主地从图像中学习特征并利用这些特征对图像进行分类,客观地反映图像的真实信息,本文的研究主要是利用深层自编码技术实现肺结节的良恶性辅助诊断。本文的主要研究内容和创新如下:(1)现有的肺结节诊断方法多是依靠图像处理技术和专业诊断知识等先验知识对肺结节图像进行特征提取,但是这样的统计学的特征并不一定适用于所有类型的肺结节图像。为了解决上述问题,本文提出一种基于栈式极限学习机的肺结节自动诊断方法。由于CT系统在成像时存在系统噪声,成像对比度低,本文首先采用自适应直方图均衡法处理肺结节图像,提高图像的对比度。然后将增强后的肺结节图像输入到基于极限学习机的自编码网络中进行无监督的特征学习,最后将经过深度网络学习的高层特征作为有监督原始极限学习机的输入进行最终的诊断。由于极限学习机算法不需要参数微调,所以基于极限学习机的自编码网络的训练速度要比基于BP网络的自编码网络的训练速度快,但是网络的诊断性能不输BP网络。通过与现有诊断方法的比较,该方法具有较好的准确率、敏感性和特异性,是一种比较可靠的肺结节诊断方法。(2)为了克服单模态图像特征的片面性和无监督特征学习的局限性,本文结合CT和PET图像特征提出基于双模态深度极限学习机的孤立性肺结节诊断方法,该方法中设计了一种深度有监督降噪自编码网络,该网络引入了限制差分和降噪进行网络优化,能够从PET和CT图像中学习得到有区分度的特征信息。由于整个框架的子网络对应不同模态图像,因此在获得不同模态特征后采用不同的融合策略进行特征融合,最后对融合后的特征进行分类诊断。实验表明,融合后的特征要比单独的特征具有更好的区分度;并且与已有的基于深度学习技术的肺结节诊断方法比较,本文的方法获得92.81±0.57%的准确性和1.58/scan的假阳性,超过了其他优秀的肺结节诊断方法并且网络具有很好的鲁棒性和抗噪性,对肺结节辅助诊断的进一步研究具有一定参考价值。