肺癌是多种肺部疾病中非常致命的恶性肿瘤疾病之一。肺结节是肺癌的典型病灶体,它多和胸腔内膜等部位相粘接,形态多样、体积较小,在肺结节的识别诊断过程中还容易受到各类血管和正常组织的干扰,多种因素使得在早期对肺结节的识别具有一定的难度。由医师对CT检查图像进行观察,在肺结节的识别过程中容易出现漏诊甚至误诊,直接降低了肺癌诊断的准确率。采用深度学习方法进行辅助诊断可以提高肺结节识别诊断的准确率和效率。本文利用深度学习方法对肺结节的识别展开了研究。针对深度学习在肺结节识别存在的样本数需求量大和硬件资源要求高等问题,改进了网络结构,同时引入迁移学习方法,并利用多种可视化手段,对网络学习过程和中间结果进行跟踪分析,提高了识别效果,并在公共数据集上对本方法进行了测试,得到了较高的准确率。研究工作包含以下方面:(1)设计和改进深度学习网络结构。肺结节临床表现差异较大,为了让网络能更为准确地识别到临床常见的三类结节,同时不会因网络宽度过宽导致参数过多,硬件资源耗费过大,将自设计网络模型调整为三分支结构,优化最小结构组合单元,通过增加宽度的方式避免网络层数无止境加深的问题,提升自设计网络对肺结节识别的适用性。(2)为加快并优化模型的学习效率,引入迁移学习。通过对公开数据库的筛选,获得了符合实验要求的样本。对未经过预处理的样本CT图像,利用多种预训练模型,采取不同程度的微调模式进行迁移学习,对比分析不同结构对肺结节识别目标的影响。降低了深度学习训练所需的成本,实现对小样本的肺结节识别目标。(3)对网络结构和学习过程进行可视化研究,直观比较深度学习模型的特点。运用反卷积、中间层可视化和数据三维可视化的方法对深度学习网络的卷积核以及学习到的特征进行可视化,采用灰度直方图统计的方法分析深层卷积输出特点,直观地研究网络结构,使深度学习的方法具有更直观的可解释性。本文通过迁移学习的方法,对比分析不同结构的模型在肺结节识别目标中的可行性,同时用Conv-BN-Relu最小单元组合优化基本结构,采用分支结构改进直线型结构,减少网络结构复杂度的同时,提高学习效率,降低所用方法对硬件资源的最低要求,增加普适性。运用可视化方法,对比分析不同网络结构识别效果的有差异的深层原因,解析模型学习到的特征在内部层次的分布规律,对优化模型结构进行了解释性研究。