CT 图像中肺结节的良恶性鉴别是肺癌计算机辅助诊断研究中的关键。针对这一问题，提出了一种基于图像多维信息的肺结节良恶性鉴别方法。该方法基于三维肺结节的二维表示来进行影像学征象建模，并计算模型特征值。然后，提取结节的形状及纹理特征。最后，根据提取的所有特征，利用模糊C 均值分类器对肺结节的良恶性进行鉴别。针对130 组结节数据进行实验，肺结节良恶性鉴别的敏感性及假阳率分别达到87. 58% 及9. 52%。实验结果表明，该文提出的方法能有效地区分肺结节的良恶性，辅助医生进行临床诊断。

提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。