在医学检查中，医生使用各种技术以向患者提供对其实际健康状况的准确分析。常用的方法之一是X射线筛查。这种检查通常有助于诊断胸部器官的某些疾病。错误诊断的最常见原因在于放射科医师难以解释胸部X射线中肺癌的存在。在这种情况下，自动化方法可能非常有利，因为它在医学诊断中提供了重要的帮助。
　　一些研究人员已经提出了自动算法来检测和分类肺结节，但是这些方法无法检测到低对比度结节，并且具有很高的计算复杂度，相比之下，我们的方法相对简单，但同时提供了良好的结果并且可以检测低对比度结节。此外，本文提出了一种用于训练PNN神经网络的新算法，与使用文献中提供的训练算法获得的神经网络相比，该算法允许获得具有更少神经元的PNN。因此大大降低了训练网络的计算负担，同时保持了相同的性能。
　　在胸部X射线是一个非常有用的检查，但它也有局限性。这种检查的问题与这种方法的性质有关。存在各种病理变化，这可能在图像上产生类似的投影。因此，在过去几年中，已经提出了各种改进X射线检查和提供X射线诊断的自动支持的方法。肺癌最常表现为非钙化肺结节的形成。由于这个原因，文献中的大多数算法结构都包含三个阶段的处理模块：结节搜索空间划分，结节候选者的生成和顺序消除误报。
　　由于原始和高斯尺度空间滤波平滑图像的组合的一阶和二阶概率描述符，可以从3D胸部计算机断层摄影扫描中精确地分割多种病理肺。而一些研究人员提出了一种由三个步骤组成的分割方法。首先，利用Hessian分析来增强计算机断层扫描体积中的管状结构; 然后，采用自适应多尺度腔增强滤波器检测不同半径的腔状结构。第二步，支持向量机学习将用于从前一步骤中获得的结果中去除假阳性区域。为了改善结节检测，提出了一种基于深度卷积神经网络的抑制胸部X线骨结构的算法。从原始胸部X射线中减去骨骼图像的这种估计，以产生其中骨组分被消除的软组织图像。该方法在一个数据集上进行评估，该数据集由504例实际双曝光双能量减影胸片组成。关于类似方法的有效性的讨论可以找到事实上，本文讨论了深度学习技术如何促进癌症症状的检测。特别是在本文中，显示机器学习模型，如果为医学目的而组成和训练，是非常有效的预测器。一些利用现代人工智能技术的替代方法。另一方面，提出的一种基于深度学习技术从荧光透视图像中提取人体器官边缘的技术。
　　所有方法基本上都基于区域增长和机器学习技术。然而，这些方法未能检测到低对比度结节和直径小于或等于20mm的肺癌，这些通常具有非常低的密度，并且不能依赖于检测手术可治愈的小肺癌。
　　相反，研究人员的一种新的肺癌分类方法，基于简单的分割方法和概率神经网络，以获得更准确的肺癌存在与否的分类，并且能够检测低 - 相当于小或直径20毫米的结节和肺癌。为了开发提出的方法，我们使用了混合数据集。
所提出的方法相对简单，但同时提供了良好的结果。研究人员提供了肺结节检测的类似方法的总结。与其他方法相比，所提出的方法的主要优点是：更好的正确分类率以及能够检测轻微或等于20mm直径的低对比度结节和肺癌的事实。