1.一种基于卷积神经网络的三维肺结节识别方法，其特征在于，包括步骤：S1、肺部三维CT图像数据集预处理，将预处理后的CT图像数据集分成训练数据集和测试数据集；

S2、建立DenseNet和Squeeze‑and‑Excitation Net相结合的神经网络模型；

S3、设置由S2得到的神经网络模型的超参数：批量大小、dropout层的超参数、每层输出的特征图数量、训练总时期、学习率以及SE block中全连接层的超参数；

S4、将训练数据集导入由S3设置好的神经网络模型中，采用随机梯度下降算法和学习率逐步递减的训练方式进行训练，待模型充分收敛之后，保存并导出模型结构和权重参数，得到训练好的神经网络模型；

神经网络模型计算三次反向传播算法，三次反向传播算法分别计算关于肺结节的位置x、y、z的参数更新值；采用GPU并行处理模式中的同步模式，在同步模式下所有GPU同时读取参数的取值，并且当反向传播算法完成之后同步更新参数的取值，当所有设备完成反向传播算法的计算之后，计算出不同GPU上参数梯度的平均值，最后再根据平均值对参数进行更新；

S5、用训练好的神经网络模型对测试数据集中每组三维CT图像进行测试，得到每组三维CT图像中的肺结节识别结果；

步骤S2所述的DenseNet和Squeeze‑and‑Excitation Net相结合的神经网络模型在DenseNet的基础上保留bottleneck layer结构，去除transition layer结构，添加SE block结构，将SE block嵌入到DenseNet当中；Squeeze‑and‑Excitation Net为每个特征通道生成权重，衡量每个特征通道的重要性；每个SE block结构串接在相邻两个bottleneck layer结构之间；每个bottleneck layer结构的输出为后续所有bottleneck layer结构的输入；所建立的神经网络模型还包括依次连接的Drop out层、全连接层和Softmax层，最后一个bottleneck layer结构的输出端与Drop out层连接；

DenseNet网络结构由dense block组成，DenseNet每层以之前层的输出为输入，dense block中每一层的输入都是来自于前面所有层的输出；在dense block中，每次经过bottleneck layer之后进行通道上的连接，最后再嵌入SE block，实现在进行连接之前所有层的通道之后再对每个通道添加权重。

2.根据权利要求1所述的三维肺结节识别方法，其特征在于，每个bottleneck layer结构均包括第一部分和第二部分，每部分均包括BN层、relu层和三维卷积层；第一部分的三维卷积层的步长为1、卷积核是1*1*1；第二部分的三维卷积层的步长为1、卷积核是3*3*3。

3.根据权利要求1所述的三维肺结节识别方法，其特征在于，SE block结构包括依次连接的全局平均池化层、全连接层、Relu激活函数、全连接层及Sigmoid激活函数。

4.根据权利要求1所述的三维肺结节识别方法，其特征在于，步骤S1包括：

1)对原始肺部三维CT图像进行图像预处理，包括：读取原始数据集的CT图像数据，对其进行肺分割并统一图像大小；读取结点标注信息csv文件，对图像进行贴标签的操作；通过阈值调整与轮廓提取算法进行肺分割操作；以结节为中心进行提取，如果结节的坐标位于图像的边缘位置，则对其进行零填充；

2)将预处理后的图像数据集分成训练数据集和测试数据集。