肺癌作为我国发病率及死亡率最高的恶性肿瘤,对人类健康生活和社会发展带来了严重的威胁和阻碍,提高肺癌的早期诊断率对于降低肺癌死亡率至关重要。肺结节是肺癌的一种早期表现形式,它是肺部的一种病灶组织,在医学影像上显示为白色阴影,肺结节检测是肺癌诊断的关键。胸部计算机断层扫描(CT)是肺结节检测的常用成像工具,也是肺癌早期诊断的有效途径之一。由于肺结节在CT和X射线等影像下的对比度相对较低,而且存在与肺部及其它周边组织发生遮挡重叠等情况,同时结节自身的形状大小以及不透明程度,给肺结节的检测带来很大挑战。目前运用深度学习在医疗影像方面进行辅助诊断已经有了广泛研究与应用,对于肺结节检测研究方面,漏检和误检问题较为突出,因此进行基于深度学习的肺结节检测及假阳性去除算法的研究,提高肺结节检测准确率,具有重要的意义和实际的应用价值。本文基于最大公用肺结节数据集LIDC-IDRI的子集LUNA16数据集,就肺结节检测及假阳性去除的问题展开如下研究:(1)肺结节检测针对肺结节检测的问题构建了一个基于改进3D Faster R-CNN的肺结节检测模型来生成候选结节,该模型充分挖掘数据中三维空间的有效信息。为更好地多尺度提取特征,改进参考框,设计5个不同尺寸的参考框,同时融合低层次卷积特征图,尽可能保留肺结节特征信息。针对肺结节检测中,其检测目标较小且尺寸差异较大的问题,引入SKNet模块,它通过一种非线性的方式将不同卷积核提取到的特征进行融合从而实现对感受野大小的调整,方便网络自适应的学习特征参数,自适应感受野大小的调整能增强网络模型对相关特征的学习能力,并提升网络模型的鲁棒性。(2)候选结节假阳性去除针对肺结节检测网络生成的候选结节假阳性较高的问题,提出了一种基于3D U-Net网络和3D DCNN网络模型进行联合去除假阳性,引入空洞卷积替代网络模型中部分池化操作,增大了感受野的同时,保证了特征图尺寸大小不变,尽可能地避免了一些重要信息的丢失,以较高的性能完成真假结节分类任务,在一定程度上解决了候选结节假阳性高的问题,实现了高精度的肺结节检测。本文希望通过对肺结节检测和假阳性去除算法的研究,能推进肺结节检测的研究,从而能更加精准地检测判断出肺结节的存在,为肺结节患者的治疗提供更有效地医疗辅助。