深度学习(Deep Learning)在自然语言处理、图像识别、目标检测等领域得到了广泛的应用。随着深度学习的发展,医疗影像诊断成为人工智能在医疗领域的重要研究方向。深度学习算法能够对肺结节进行识别和检测。利用机器对肺结节进行诊断可以防止医生由于疲惫等因素而导致的误诊。同时,放射科医生每天需要对大量的医疗影像进行诊断,工作效率低下,而利用机器辅助医生能够极大提高诊断速度。目前,深度学习在肺结节的识别和检测方向的研究取得了一些成就,但仍然存在很多问题。首先,良恶性肺结节区分难度大,卷积神经网络的诊断准确度达不到实际应用要求;其次,X光胸片的肺结节标记数据量太少,达不到卷积神经网络训练所需的数据量;最后,利用计算机对肺结节进行诊断的模型仍存在一定的漏诊和误诊情况。针对上述问题,本文在肺结节的良恶性诊断和X光胸片肺结节检测方向进行了研究,具体研究内容如下:1.针对胶囊网络(CapsNet)提出了一种新的激活函数和重构网络。改进的胶囊网络降低了神经网络模型的参数数量,提高了识别准确度,较好地实现了良恶性肺结节的自动诊断。2.对传统卷积神经网络结构进行改进,利用反卷积能够还原图像的特性,提出了一种利用反卷积实现的重构网络,通过最小化重构网络输出与传统卷积神经网络(Convolutional Neural Network,CNN)的输入之间的方差来提高卷积神经网络模型在良恶性肺结节上的识别准确度。3.针对公开医疗影像数据集少和检测病灶标记数据量少等问题,介绍了医疗影像数据的获取与病灶标记方法。采用美国国家卫生组织公布的X光胸片影像数据集ChestX-ray8,对肺结节进行了位置标记。本文提出Xray-yolov3模型,实现了X光胸片肺结节的高精度自动检测。本文对胶囊网络和卷积神经网络进行了相应的改进。改进后的神经网络在良恶性肺结节数据集上的识别准确度得以提高。本文提出的Xray-yolov3模型,实现了对于X光胸片肺结节的高精度检测,具有重要的应用价值。