1.基于粒子群算法优化的卷积神经网络对肺结节识别的方法，其特征在于，包括以下步骤：

S1、获取病人肺部的CT切片图像；

S2、对CT切片图像进行预处理，将获取的CT切片图像进行标注，形成数据集；

S3、构造卷积神经网络；

S4、使用粒子群算法优化卷积神经网络的超参数；

S5、利用标注好的数据集对优化后的卷积神经网络进行训练；

S6、使用训练完成的卷积神经网络提取肺结节特征；

步骤S4包括：

S41、设置粒子群算法参数：包括粒子数目、粒子的初始速度与位置以及它们的范围、最大迭代次数；

S42、更新粒子群算法，计算更新后粒子的适应度；

粒子群算法的D维空间中有N个粒子，其位置和速度分别如下：第i个粒子的位置：Xi＝(xi1，xi2，...，xiD)，i＝1，2，...，N第i个粒子的速度：Vi＝(vi1，vi2，...，viD)，i＝1，2，...，N将在空间中搜寻到的第i个粒子的最优位置记为：Pibest＝(pi1，pi2，...，piD)i＝1，2，...，N所有粒子搜索到的全局最优位置记为：Pgbest＝(pi1，pi2，...，piD)i＝1，2，...，N通过下面两条公式调整自身的速度和位置来达到寻找最优解的目的：其中，c1、c2为认知和社会参数，w为惯性权重，r1、r2为二个随机数；

S43、比较当前粒子适应度和全局历史最优适应度，若当前适应度更优，则全局历史最优的位置为当前粒子位置；当达到最大迭代次数或者适应度误差达到设定的误差时结束迭代，输出全局最优的粒子为最佳的超参数，适用于肺结节分割。

2.根据权利要求1所述的方法，其特征在于，所构造的卷积神经网络包括输入层、隐藏层及输出层，输入层、隐藏层、输出层为完全连接层，输出层采用Softmax作为输出激活函数，隐藏层包括依次连接的卷积层C1、ReLU激活函数、池化层P1、卷积层C2、ReLU激活函数和池化层P2。

3.根据权利要求2所述的方法，其特征在于，所构造的卷积神经网络中，输出层采用归一化指数函数Softmax作为输出激活函数，数学表达式为：其中，j＝1,2,...,N，Softmax输出激活函数将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。

4.根据权利要求2所述的方法，其特征在于，步骤S4利用粒子群算法优化卷积层C1和卷积层C2中的滤波器数目，并优化隐层的神经元数目、滤波器大小、池化类型及正则化概率。

5.根据权利要求4所述的方法，其特征在于，步骤S4通过设置8个粒子坐标进行卷积神经网络的优化；8个粒子坐标分别对应：卷积层C1中滤波器数目、卷积层C2中滤波器数目、隐层的神经元数目、隐层的滤波器大小、训练中批次大小、池化层P1及池化层P2的池化类型、卷积层dropout概率、完全连接层dropout概率。