癌症是一个世界性的重大公共卫生难题,而肺癌在所有癌症中占比最大,严重威胁着人类健康。对肺癌进行早筛,进而对确诊的肺癌进行早期干预,可以有效降低癌症死亡率。因此,研究较为精确的计算机辅助检测系统用于辅助放射科医生进行肺结节筛查,提高诊断效率及准确率显得至关重要。高效精确的计算机辅助检测可以有效帮助放射科医生快速准确地发现肺结节区域,进而缓解医疗资源急剧紧缺的问题,提高肺癌患者的五年生存率。本文在3维的CT图像上进行了肺结节检测的方法研究,旨在提高肺结节检测的敏感度和鲁棒性。本文提出的肺结节检测方法有三个阶段,分别是原始CT图像的预处理过程、候选结节的检测过程和假阳性剔除过程,主要的研究内容和创新点总结如下:1)提出了基于3D视觉Transformer的V-Net（3D VTV-Net）分割算法进行候选结节检测。3D VTV-Net通过将上采样部分（更强的语义信息）和跨层连接（更准确的位置）相结合,兼顾抽象语义和底层特征,融合了低层高分辨率特征图的位置信息和高层低分辨率特征图的分类信息;通过对肺部图像3D空间信息的充分利用,解决了2D U-Net不能很好地学习到CT图像中各个切片之间的联系与特征的问题;通过使用视觉Transformer从多个维度添加注意力机制,可以较好地解决网络无法建模远程上下文交互和空间依赖性的问题。2)提出了3D DRNet、3D efficient Net两个分类网络进行假阳性剔除。通过将密集连接和残差学习单元相结合,提升网络深度、最大化利用网络所学习到的特征,使得网络可以从低分辨率肺结节图像中有效提取到易分类的关键强语义特征,提高假阳性剔除的准确率。3)提出了新的损失计算方法,并采用了深度互学习（DML）策略联合训练假阳性剔除网络。损失计算方法从算法层面调整阳性阴性、难易分类样本的权重,解决正负样本数据分布极度不均衡问题,使得正样本和难分类样本的特征也能被充分学习到;深度互学习策略使两个网络相互学习与促进,使得网络模型的泛化能力和分类性能得到了提升。实验结果表明,使用3D VTV-Net网络检测的肺结节Dice值为0.989,验证了本文所提出的3D VTV-Net网络对肺结节的分割效果是有效的。使用DML策略后的3D DRNet分类敏感度能达到99.02%,高于独立的3D DRNet 96.3%的分类敏感度,验证了3D DRNet、3D efficient Net的分类性能以及深度互学习策略的有效性。