癌症在全球具有“死亡杀手”的称谓,而肺癌在所有癌症中的死亡率最高,实现肺癌的早期诊断和治疗对降低死亡率具有重要意义。计算机辅助检测系统(Computer-Aided Detection,CAD)在临床使用上能有效地辅助医生进行疾病的侦察和诊断,降低临床判断的错误率。本研究以肺部CT图像中的磨玻璃密度影(Ground Glass Opacity,GGO)征象为中心,从系统和方法两方面开展研究,主要工作如下:(1)本研究实现了一套完整的在线肺部GGO检测系统。系统采用B/S结构,使用spring-mvc框架,实现了CT图像可视化在线显示、CT图像操作、肺部GGO检测、医生反馈等功能,后端融合肺部GGO检测方法和基于反馈的Deep QNetwork方法,实现肺部GGO征象的检测,并在临床使用过程中通过医生的反馈不断提高检测效果。(2)本文实现了肺部GGO检测方法。首先通过L2G多阈值分割方法进行候选区域的提取,再利用CVAE-GAN网络进行GGO真假阳性结节的生成,CVAEGAN网络包括自动编码网络、生成网络、分类网络、判别网络四个部分,自动编码网络对原图像进行编码,生成网络通过编码之后的变换进行解码生成类似的图片,分类网络对生成的图片进行分类,尽可能使得生成的图片分类正确,判别网络对生成的图片进行是否是真实图片的判别,尽可能得判别正确。我们用生成的真假阳性GGO结节对CNN分类网络进行训练,进行假阳性结节的去除。(3)提出一种基于反馈的Deep Q-Network模型。在临床使用中,通过医生对检测方法的反馈信息和已有的标注数据,利用强化学习中“奖励与惩罚”的思想,再结合深度学习网络学习到的特征来进一步进行假阳性的去除。我们设计了一个DQN＿GGO网络,根据Actor-Critic架构方式来进行训练,Actor网络进行动作的选择,Critic负责动作的评估,将训练好的CNN网络接入一个softmax分类器进行迁移学习,得到了较好的分类效果。基于以上3个研究点,我们形成一套完整的肺部GGO检测系统,并能在临床使用中不断进行学习,提高系统检测率,具有一定的临床使用价值。