1.基于Reception和Faster R-CNN的肺结节检测方法，包括下列步骤：

步骤1：采集肺结节图像；

步骤2：对输入图像提取特征；

步骤3：使用区域建议网络RPN对锚框进行分类和回归；

步骤4：将目标建议送入ROI池，并且与RPN网络共享卷积得到的特征；

步骤5：生成肺结节检验框最终精确的位置。

2.如权利要求1所述的方法，其特征在于，所述步骤2进一步包括：使用VGG-16作为基础网络，并且进行了调整，原始的Faster R-CNN网络使用的是VGG-16网络通过卷积的方式提取特征，新的网络由于引入了ResNet的残差结构，从而网络可以变得更深，所以：1)将原VGG-16网络中卷积层{31，32，33}替换成含有Reception-A结构的卷积层{31，32，33，34，35}，Reception-A结构即最左侧两个分支为ResNet中的残差结构，使用1×1+3×3+1×1组合的卷积层，将原始Inception模块中两个3×3卷积层进行替换；2)将原VGG-16网络中卷积层{41，42，43}替换成含有Reception-B结构的卷积层{41，42，43，44，45}，Reception-B结构相比较于模块Reception-A，模块中在左侧分支采用了1×7和7×1两个非对称卷积核代替了一个7×7卷积核，达到7×7卷积核提取特征效果的同时减少了网络参数，此外，中间的分支只保留大小为1×1的卷积核，对不同通道的特征进行交叉融合；3)将原VGG-16网络中卷积层{51，52，53}替换成含有Reception-C结构的卷积层{51，52，53，54，55}，此模块相比较于前两个模块增加了一个分支；最左侧两个分支仍然是残差结构，并且将卷积核尺寸变成了1×3和3×1，中间的分支在1×1的卷积核后，将一个3×3的卷积分成1×3和3×1两个部分，目的是通过并联非对称卷积增强图像局部特征提取，能够获得更加丰富的特征；网络加深之后除三个全连接层外，卷积层共有19层。

3.如权利要求1所述的方法，其特征在于，所述步骤3进一步包括：区域建议网络RPN在提取到的特征图基础上进行卷积操作，负责生成锚框并对锚框进行分类和回归，该层主要用于生成目标建议，通过Softmax判断锚框为前景或是背景，再利用边框回归修正锚框获得精确的建议。

4.如权利要求1所述的方法，其特征在于，所述步骤4进一步包括：ROI池收集输入的特征和建议，综合这些信息进行池化操作，提取建议特征，送入后续全连接层得到ROI特征向量，进行目标类别的判定。