1.一种基于3D‑Unet的CT图肺结节检测系统，包括顺次连接的CT图像输入与预处理模块、候选结节检测模块和误报消除模块；

其特征在于：所述的CT图像输入与预处理模块用于读取胸部CT图、获取CT图的间距和原点信息、以及对CT图进行肺容积分割；所述的候选结节检测模块用于对预处理完成的图像输入到Unet网络并得到候选肺结节的位置；所述的误报消除模块用于将候选结节检测模块得到的位置图像输入到卷积神经网络中判断出候选区域是否为真的结节并输出概率；

其中，所述的Unet网络具体包括十六个残差块、两个通路单元、四个最大池化单元、一个预备单元、一个概率性神经元失效单元、一个输出单元；

所述的十六个残差块均包括第一3D卷积子单元、第一3D批量归一化子单元、第一ReLu子单元、第二3D卷积子单元、第二3D批量归一化子单元、第三3D卷积子单元、第三3D批量归一化子单元和第二ReLu子单元；其中，第一3D卷积子单元的输入端接收外部数据，两个输出端分别与第一3D批量归一化子单元和第二3D卷积子单元连接，第一3D批量归一化子单元的输出端与第一ReLu子单元连接，第一ReLu子单元的输出端与第三3D卷积子单元连接，第三

3D卷积子单元的输出端与第三3D批量归一化子单元连接，第三3D批量归一化子单元的输出端与第二ReLu子单元的第一输入端连接，第二3D卷积子单元的输出端与第二3D批量归一化子单元连接，第二3D批量归一化子单元的输出端与第二ReLu子单元的第二输入端连接，第二ReLu子单元输出处理过后的数据；其中，第一残差块和第二残差块中的三个3D卷积子单元的卷积核个数均为32，第三残差块至第十三残差块中的三个3D卷积子单元的卷积核个数均为64，第十四残差块、第十五残差块和第十六残差块中的三个3D卷积子单元的卷积核个数均为128，并且所有残差块中第一3D卷积子单元、第二3D卷积子单元和第三3D卷积子单元的卷积核大小均为3、步长均为1、边界处理零填充为1；

所述的两个通路单元均顺次连接的包括3D卷积转置子单元、第四3D批量归一化子单元和第三ReLu子单元，3D卷积转置子单元的输入端接收外部数据，第三ReLu子单元的输出端输出处理过后的数据；其中3D卷积转置子单元的卷积核的大小为2、步长为2、卷积核的个数为64；

所述的四个最大池化单元的卷积核个数均为2、步长均为2；

所述的预备单元包括顺次连接的第四3D卷积子单元、第五3D批量归一化子单元、第四ReLu子单元、第五3D卷积子单元、第六3D批量归一化子单元和第五ReLu子单元，其中，第四

3D卷积子单元的输入端接收外部数据，第五ReLu子单元的输出端输出处理过后的数据；所述的第四3D卷积子单元和第五3D卷积子单元的卷积核个数均为2、步长均为3、边界处理零填充为1；

所述的概率性神经元失效单元防止神经网络过拟合，具体操作为以一定概率使一些神经元失效；

所述的输出单元包括顺次连接的第六3D卷积子单元、第六ReLu子单元和第七3D卷积子单元，第六3D卷积子单元的输入端接收外部数据，第七3D卷积子单元的输出端输出处理过后的数据；其中，第六3D卷积子单元的卷积核个数为64、卷积核大小为1、步长为1，第七3D卷积子单元的卷积核个数为15、卷积核大小为1、步长为1；

其中，预备单元的输入端输入经过CT图像输入与预处理模块预处理过后的数据，预备单元的输出端与第一最大池化单元连接，第一最大池化单元的输出端与第一残差块连接，第一残差块的输出端与第二残差块连接，第二残差块的输出端与第二最大池化单元连接，第二最大池化单元的输出端与第三残差块连接，第三残差块的输出端与第四残差块连接，第四残差块的两个输出端分别与第十四残差块和第三最大池化单元连接，第三最大池化单元的输出端与第五残差块连接，第五残差块的输出端与第六残差块连接，第六残差块的输出端与第七残差块连接，第七残差块的两个分别输出端与第四最大池化单元和第十一残差块连接，第四最大池化单元的输出端与第八残差块连接，第八残差块的输出端与第九残差块连接，第九残差块的输出端与第十残差块连接，第十残差块的输出端与第一通路单元连接，第一通路单元的输出端也与第十一残差块连接，第十一残差块的输出端与第十二残差块连接，第十二残差块的输出端与第十三残差块连接，第十三残差块的输出端与第二通路单元连接，第二通路单元的输出端也与第十四残差块连接，第十四残差块的输出端与第十五残差块连接，第十五残差块的输出端与第十六残差块连接，第十六残差块的输出端与概率性神经元失效单元连接，概率性神经元失效单元的输出端与输出单元连接，输出单元的输出端向误报消除模块输出数据；

所述的对CT图肺容积分割包括：

(1)根据图形学对图像中的像素进行标注，使相邻的在同一区域的像素有相同的标记；

在标注的过程中由于实际影像没有严格的区域划分，导致存在一些很小的区域，参考周围区域的标记将小区域融合进其他的面积较大的区域；

(2)保留左右肺叶，对外部的区域阈值填充：分别以阈值3和4产生两个掩膜，然后处理这两个掩膜，具体过程为：计算掩膜中的每个点的值的和，如果和大于零对掩膜进行形态学处理计算其凸包；接着如果凸包中的值之和大于1.5倍的原来掩膜中的值的和，就用形态学处理过后的掩膜替换掉原来的掩膜，否则认为这个掩膜刚好盖住肺部所述掩膜不变；对于掩膜之外的区域，即肺部外的区域用170的阈值进行填充，掩膜内不属于肺部的区域也使用

170的阈值进行填充；

(3)进行数据重采样，先获得DICOM格式数据的坐标中心、像素间距,再通过插值把图像的分辨率统一起来，即将原始图像转换为1mm*1mm*1mm的分辨率；在转换分辨率的时候使用最临近插值法；

(4)按uint8类型、灰度图重新保存图片；

(5)将CT图从世界坐标转换成体素坐标，保存原来的坐标信息；进行世界坐标转化的同时，还需要根据肺部区域，将用于训练神经网络的标注数据也转换成体素坐标；其中，转换坐标的时候使用了开始读取的间距和坐标原点的信息。

2.根据权利要求1所述的一种基于3D‑Unet的CT图肺结节检测系统，其特征在于：所述的CT图像输入与预处理模块在读取胸部CT图后，将图像信息保存到numpy数组中。

3.根据权利要求1所述的一种基于3D‑Unet的CT图肺结节检测系统，其特征在于：所述的一定概率为0.1。

4.根据权利要求1所述的一种基于3D‑Unet的CT图肺结节检测系统，其特征在于：所述误报消除模块中的卷积神经网络使用Resnet34网络。

5.根据权利要求1所述的一种基于3D‑Unet的CT图肺结节检测系统，其特征在于：在训练候选结节检测模块的神经网络的过程中，包括小肺结节增强单元：用于训练的数据中每个病人的CT图都是有医生的标记的，标记包括结节的位置、直径；在进入候选结节检测模块训练之前，将预处理之后的图像按照肺结节的正例中不同大小的肺结节按照比例通过翻转、旋转、交换空间位置这些手段，使大小肺结节的比例接近相同。