1.一种基于卷积神经网络的肺结节检测方法，其特征在于，步骤包括：

第一步：分割出肺实质

1.1使用3D‑Unet网络对原CT图像进行分割，得到肺实质三维图像；1.2将得到的肺实质三维图像按Z轴切分成二维切片图像；

1.3将得到的二维切片图像按照目标检测中主流的VOC2007数据集格式制作成新的数据集；

第二步：构建肺结节检测网络

将得到的数据集送入到目标检测网络Faster R‑CNN中，检测出包含肺结节的区域，获得候选结节，具体如下：

2.1将数据集中的图片输入特征提取网络，进行主干特征的提取，

2.2利用区域生成网络RPN，进行包围框第一次修正，区分背景与肺结节；

2.3利用ROIPooling层进行包围框的二次修正，获得候选肺结节；

第三步：构建肺结节分类网络

3.1将含有候选肺结节的图像通过计算坐标之间的欧氏距离将其合并，获得较小的三维CT图像；

3.2将此较小的三维图像送入到3D卷积神经网络进行肺结节假阳性的筛选；

第四步：模型训练

将部分数据集作为训练集送入到模型中，使用优化器更新参数，对网络进行优化，对学习率进行自动调参，得到训练完成的分类网络；

第五步：模型预测与评估

将剩下的数据集作为测试集送入第四步已经训练好的模型中测试，得出分类结果；

所述的步骤1.1中，3D‑Unet网络的编码模块包括5组卷积和4次下采样操作，与之对应的解码部分包括4组卷积和4次上采样操作；解码部分采用跳跃连接的方式，将编码的高层语义信息与解码的低层语义信息做拼接操作，保证最后融合出的特征图融合了更多的低层的特征，4次上采样操作也使得分割边缘信息更加精细；

所述的步骤1.3具体为：按照标准的VOC2007的数据集将每一张二维切片图像命名为xx.jpg，将标签制作成.XML文件放入到注释文件夹下；JPEGImage中存放步骤1.2切分好的二维切片图片；ImageSet/Main文件下存放.text文件，.text文件中包含了二维切片图像的名称，是否含有结节，以及结节的左上角和右下角的位置坐标；

所述的步骤2.2中，区域生成网络RPN的具体流程如下：

区域生成网络RPN利用滑动窗口在特征图上滑动，为每个位置生成9种预先设置好长宽比不同大小的目标框；初始目标框包含三种面积：128×128，256×256，512×512，每种面积又包含三种长宽比：1:1，1:2，2:1；区域生成网络RPN首先判断当下的目标框是否覆盖结节，然后为覆盖有结节的目标框进行第一次坐标修正；

对于RPN输出的特征图中的每一个点，一个1×1的卷积层输出了18个值，因为是每一个点对应9个目标框，每个目标框有一个前景分数和一个背景分数，所以是9×2＝18个值；另一个1×1的卷积层输出了36个值，由于每一个点对应9个目标框，因此每个目标框对应了4个修正坐标的值，所以是9×4＝36个值；

区域生成网络RPN网络需要利用交并比判定每个目标框是前景还是背景，如果一个目标框与真实框的IoU在0.7以上，则把这个目标框当作前景，即正样本；同样，如果这个目标框与真实框的IOU在0.3以下，那么这个目标框就算背景，即负样本；

所述的步骤3.2中，3D卷积神经网络的输入是大小为32*32*32的CT图像，输入数据是以肺结节的中心点坐标进行剪切的；最后将得到的三维CT图像送入到3D卷积神经网络进行肺结节假阳性的筛选；3D卷积神经网络包含3组卷积、池化操作，每组卷积附加激活函数ReLU作为激活层，在池化层之后采取随机丢弃操作，即3*3*3的卷积神经网络加上2*2*2的池化层接着加上随机丢弃使30％的神经元失活，3个全连接层以及最后的softmax层，经过网络训练，得到肺结节的分类。

2.根据权利要求1所述的一种基于卷积神经网络的肺结节检测方法，其特征在于，所述的步骤2.1中的特征提取网络采用VGG16卷积神经网络。

3.根据权利要求1所述的一种基于卷积神经网络的肺结节检测方法，其特征在于，在训练目标框属于前景与背景的时候，需要确保正负样本的平衡，当正负样本不平衡的时候需要使用数据增强的方式对较少样本进行数量扩充，之后使用交叉熵损失函数进行分类训练；

目标框边框坐标修正的训练方法由4个值完成：tx,ty,th,tw；这四个值的意思是修正后的框在目标框的x和y方向上做出平移由tx和ty决定，并且长宽各自放大一定的倍数由th和tw决定；此处采用SmoothL1loss进行训练网络参数得到这四个值；

使用非极大抑制的方法选取交并比靠前的候选结节，丢弃交并比小的候选结节，以此减少计算量。