在上篇博文中，我们详细介绍了如何分割肺实质，并根据标注信息提取肺结节，本文主要介绍如何利用CNN网络训练分类模型，辅助医生作出判断。
本文网络结构见论文： http://downloads.hindawi.com/journals/jhe/2017/8314740.pdf
数据集
通过上篇博文中的方法，我们最后根据肺结节的良恶性程度（1-5）得到了5类肺结节。数目如下：
- 良恶性程度为1：1254
- 良恶性程度为2：1532
- 良恶性程度为3：1721
- 良恶性程度为4：1226
- 良恶性程度为5：1646
之前介绍过，3表示不确定，所以我们训练时舍弃该数据集。我们只需要判断良恶性，因而我们将良恶性程度为1和2归为良性（Malignant），良恶性程度为4和5归为另一类恶性（benign）。主要采取的网络有（CNN、DNN和SAE）。
网络模型
CNN的网络结构和参数
DNN的网络结构和参数
SAE的网络结构和参数
最后在验证集上的测试结果如下：
通过比较可以发现，CNN的分类效果最好。
拓展
尽管CNN模型已经取得了不错的分类效果，但还需要提升。考虑到分类数据集还是太少，我们引入了生成式对抗网络（GAN）来扩充我们的肺结节数据集。关于GAN的介绍可以看我之前的一篇博客深度学习的常见模型 （GAN）,此处不详细介绍。
我们通过CGAN网络训练了生成模型，扩充了我们的数据集，生成示例如下：
然后将生成的数据与原始数据混合，重新训练CNN分类模型，在准确率上果然取得了一定的提升。
