肺癌是当今对人类生命健康危害最大的恶性肿瘤之一,特别近半个世纪以来,各国肺癌的发病率和死亡率都在急剧上升。为了提高肺癌患者的生存率,肺癌的早期诊断与治疗是关键。CT扫描对肺癌的检出率明显高于普通X线片,因而成为目前肺癌筛检最有效的影像学方法。然而,CT扫描产生的图像量很大,大量的CT图像直接导致医生工作量的增加,从而增加了漏诊和误诊的几率。本文的目的就是研发一种基于CT图像的肺癌计算机辅助诊断系统,能够对肺部CT图像进行自动分析后给医生提示可疑肺结节,从而提高肺癌的诊断质量和诊断效率。本文将肺结节的自动检测分为四个步骤进行研究:(1)对图像进行阈值化、形态学运算、边界跟踪等一系列操作得到肺实质图像;(2)分别使用K-均值聚类(KM)、模糊C均值聚类(FCM)和基于Gibbs随机场与模糊C均值聚类的图像分割(GFCM)三种算法对肺实质图像进行分割,从而得到感兴趣区域(ROI,包括肺结节、肺血管和肺支气管等);(3)用特征空间优化设计的理论从ROI的10个原始候选特征中选出5个有效特征,然后用模糊理论对这5个特征进行标准化从而得到10维的输入特征向量;(4)设计一个BP神经网络分类器实现了最后的肺结节判别分类。在系统测试中,我们使用了4种品牌螺旋CT扫描的57例病人含肺结节的图像,共213幅,含262个肺结节。其实验结果分析的ROC曲线下面积=0.9848,在诊断界点为0.5时,敏感度为96.18%、特异度为96.25%,平均每幅图假阳性0.493个,准确率为96.24%。Az整体而言,系统实现了对肺结节快速准确的计算机自动筛查,操作方便,能够减少医生的工作量,提高肺癌的检出率。