肺结节作为肺癌早期最主要的 影像学表现，其精准分割与检测是实现肺癌早诊早治、降低死亡率的关键。当前临床依赖人工阅片筛查肺结节，存在效率低、漏诊误诊率高、诊断一致性差等问题，难以适配海量低剂量CT（LDCT）影像的筛查需求。为此，本文开展基于深度学习的CT图像肺结节分割与检测系统研究，旨在提供高效、精准的智能化解决方案。本文首先梳理肺结节检测的研究背景、价值及国内外研究现状，明确现有技术痛点；随后采用VOC+YOLO双格式标注的肺部CT数据集 （含1186张样本），完成肺实质分割预处理以消除背景干扰；基于YOLOv12框架，提出YOLO-CMA改进模型，引入A2C2f_LEGM骨干模块、MFM多尺度特征融合模块及CGAFusion注意力模块，优化复杂结节的检测精度；基于PyQt5构建可视化检测系统，设计四层架构与四大功能模块，实现单张/批量CT检测、结果可视化与保存等功能，并从技术、经济、操作维度验证系统可行性。实验表明，YOLO-CMA模型检测性能优异，系统操作便捷、运行稳定，可有效辅助放射科医师完成肺结节筛查，提升诊断效率与精度。最后分析研究不足，提出后续优化方向，为肺癌早期诊断提供可靠技术支撑，推动医学影像智能化发展。
关键词：深度学习；CT图像；肺结节；目标检测；YOLO-CMA模型；智能筛查系统