1、隨著醫(yī)學水平的不斷提高，最為普遍的肺部成像技術----CT技術也愈發(fā)先進，導致每位就診人員的肺部CT數(shù)據(jù)成倍增加，加之患者數(shù)量大幅上升，產生海量的CT圖像。數(shù)據(jù)的爆炸式增多是導致對肺癌診斷的漏檢、誤診率居高不下的主要原因。目前，由于CAD系統(tǒng)的使用，在一定程度上減少了泛診，節(jié)約了醫(yī)生的時間與精力，成為醫(yī)生必不可少的“助手”。
　　本研究主要內容包括：⑴由于結節(jié)外形的多樣性以及特征的復雜性，在一定程度上會導致結節(jié)的過分割，過分割會使

2、有效信息丟失，直接影響診斷的準確度。但如果將原始CT圖像（512*512大小）作為任何學習網絡的輸入，其學習過程的復雜性是不可想象的，甚至是無法完成的。將目標追蹤應用于肺部圖像。提出的基于超像素的追蹤算法是在粒子濾波框架下進行的，首先構建一個基于超像素的肺實質外觀模板，然后建立待追蹤圖像的置信圖并設置自適應大小的追蹤窗體。在追蹤的過程中實時更新模板以保證模板的準確性。保留序列圖像中每張CT最優(yōu)狀態(tài)時的追蹤信息。對原始CT圖像進行追蹤，快

3、速準確地定位了肺部感興趣區(qū)域肺實質，有效節(jié)約了時間成本，為后期的分類做了必要準備。追蹤算法可以快速定位出肺部感興趣區(qū)域，有效削弱了CT圖像中除肺實質外多余信息的干擾，降低了深度學習應用于肺部疾病診斷的復雜性。⑵傳統(tǒng)分類方法BP神經網絡、支持向量機（SVM）、自生成神經網絡（SGNN）等，需人工提取特征，由于不同人有不同的主觀標準，因此提取的特征集相差很大。且分類器結構簡單，無法運用于大樣本數(shù)據(jù)集，針對上述問題，本文將深度信念網絡引入對結

4、節(jié)的良惡性診斷中。由于深度信念網絡擁有多層非線性結構，對復雜的數(shù)據(jù)關系有極強的非線性映射能力，且學習過程是由有監(jiān)督學習與無監(jiān)督學習交替完成，能更好的完成特征學習與分類任務。在本文中，運用上述追蹤方法，得到肺部感興趣區(qū)域，將所有的感興趣區(qū)域圖像進行雙線性插值，統(tǒng)一圖像尺寸，形成深度學習網絡的輸入數(shù)據(jù)。接著根據(jù)數(shù)據(jù)集，自定義5層的深度信念網絡。對數(shù)據(jù)進行訓練與測試，在訓練過程中對網絡涉及到的重要參數(shù)隱藏層節(jié)點數(shù)、批數(shù)據(jù)大小以及樣本循環(huán)次數(shù)等