肺癌发病率和死亡率高居不下,严重威胁人类生命健康。作为癌症三大治疗手段之一,放射治疗在临床肺癌治疗中得到广泛应用。放射治疗计划设计是放疗治疗过程中的关键环节,它也是整个放射治疗周期中最耗时、自动化程度最低的步骤。在放射治疗计划设计的过程中,医师需要对危及器官(Organs at Risk,OAR)与病灶进行勾画,勾画的效率和精度主要依赖于医师和物理师的临床经验和医学知识,勾画过程工作量大,效率低下,甚至会由于人为因素出现误勾画、漏诊等现象。利用计算机辅助自动或半自动勾画器官和检测病灶可有效提高工作效率,但传统的医学图像处理算法需要人工设计特征,处理过程步骤繁琐耗时且自动化程度较低。近几年深度学习发展迅速,由于其强大的特征学习能力在图像处理、自然语言处理、语音识别等领域取得变革性的进展。将深度学习应用于医学图像处理中,简化了传统医学图像处理复杂的过程,在提取特征的性能方面也有更佳的表现。为了提高放疗计划制定的效率和质量,从而为放疗计划自动化设计奠定基础,本文针对肺癌放疗计划设计中危及器官的勾画与潜在病灶识别的问题,将深度学习引入肺癌放疗计划的制定过程中,对肺癌的危及器官心脏和肺部进行自动分割以及对早期肺癌进行自动检测识别。本文首先概括了深度学习的发展历史和研究现状,介绍了深度学习在医学领域的三种应用场景:医学图像分割、医学图像识别和计算机辅助诊断;然后针对肺癌放疗计划设计中危及器官勾画耗时低效的问题,提出基于带孔U-net神经网络的肺癌放射治疗危及器官自动并行分割方法,构建了肺窗、心脏窗以及纵膈窗下的三通道伪彩色图像数据集,将图像数据集分成训练集、验证集以及测试集;然后,搭建了带孔U-net神经网络,利用训练集和验证集对其进行训练和参数调优;最后,在测试集上进行图像分割性能评价。在肺部分割结果中,带孔U-net网络模型的平均Dice相似系数、平均精确率、平均准确率以及平均召回率分别为97.48%、97.73%、99.1%以及97.29%,结果略优于U-net网络模型;在心脏分割结果中,带孔U-net网络模型的平均Dice相似系数、平均精确率、平均正确率以及平均召回率分别为92.11%、91.99%、94.54%以及92.49%,结果明显优于U-net网络模型,实验结果表明该方法可有效地完成肺及心脏的自动并行分割,分割结果与人工勾画结果相当,与U-net网络模型相比,肺部分割性能相近,在心脏分割上表现出更优异的预测分割能力;最后,针对早期肺癌,基于Faster R-CNN检测模型开展肺结节检测研究,首先将LUNA16数据集处理成目标检测格式数据集,然后针对肺结节在CT医学图像上像素区域过小不易于特征提取的问题,对输入图像进行缩放处理,将原始提取卷积特征的VGG中型网络替换成了ResNet101,根据肺结节的大小特性修改了锚框的生成机制,实验结果表明,图像尺寸的增大会提高检测模型的性能,将特征提取网络修改为ResNet101的检测模型具有更强的特征提取能力,能准确识别出真肺结节,修改后的小锚框有利于肺结节候选区域的生成,提升了肺结节检测模型的综合检测性能。修改后的检测模型的平均精确率为89.44%,该模型降低了肺结节的误检可能性,可较准确地检测出肺结节,有利于医师在肺癌放疗计划制定中识别潜在的癌变病灶。通过基于深度学习的医学图像处理,对肺癌放疗计划危及器官进行自动化分割,对早期肺癌进行自动化识别检测,提高放疗计划的制定效率和质量,避免传统治疗计划制定过程中计划质量严重依赖医师经验、耗时低效的状况,为肺癌放疗计划自动化制定奠定了基础。