Segmenting precisely affected parts of the lungs from the output of CT (Computed Tomography) is critical in making inquiries on lung malignancy and can offer significant data for clinical conclusions. It plays a major and effective role in researches on lung diseases. The crux of the problem is developing automatic detection of lesion and segments them with perfect accuracy. Heterogeneity of lesion part makes segmentation a very difficult task. In TBGA (Toboggan Based Growing Automatic Segmentation Approach), the lack of degree of recognition results in difficulty in the boundary detection process during segmentation. To overcome the drawbacks, a Regression Neural Networks (RNN) Segmentation approach has been proposed in this paper. The degree of recognition is less in tissues which are associated to the neighboring lesion with pixels having same intensity. RNN provides a greater accuracy of recognition of the adjacent lesions with similar intensity when compared to other methods like Skeleton graph cut and Level set method. Segmentation is done based on the degree of recognition. So the RNN method proposed in this paper concentrates mainly on the precise detection of boundary for juxtapleural and juxtavascular lesions. The accuracy of segmenting lung parenchyma is a challenge in lesion segmentation. In RNN segmentation process, the result of parenchyma forms the basis of extracting lesion. RNN is a Learning Algorithm so the complexity of automatic lesion detection is avoided. RNN uses a trained set of data, so the resulting outcome is accurate.

从CT（计算机断层扫描）输出中分割出精确受影响的肺部对于查询肺恶性肿瘤至关重要，并且可以为临床结论提供重要数据。它在肺疾病的研究中起着重要而有效的作用。问题的症结在于发展病变的自动检测并以完美的精度对它们进行分割。病变部位的异质性使分割成为一项非常困难的任务。在TBGA（基于雪橇的增长式自动分割方法）中，缺乏识别度导致在分割期间难以进行边界检测过程。为了克服这些缺点，本文提出了一种回归神经网络（RNN）分割方法。在与具有相同强度的像素的邻近病变相关的组织中，识别度较小。与其他方法（例如“骨架图切割”和“水平集”方法）相比，RNN以相似的强度提供了更高的识别相邻病变的准确性。根据识别程度进行分割。因此，本文提出的RNN方法主要集中在对肋膜和血管病变的边界的精确检测上。分割肺实质的准确性是病变分割中的一个挑战。在RNN分割过程中，实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。与其他方法（例如“骨架图切割”和“水平集”方法）相比，RNN以相似的强度提供了更高的识别相邻病变的准确性。根据识别程度进行细分。因此，本文提出的RNN方法主要集中在对肋膜和血管病变的边界的精确检测上。分割肺实质的准确性是病变分割中的一个挑战。在RNN分割过程中，实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。与其他方法（例如“骨架图切割”和“水平集”方法）相比，RNN以相似的强度提供了更高的识别相邻病变的准确性。根据识别程度进行细分。因此，本文提出的RNN方法主要集中在对肋膜和血管病变的边界的精确检测上。分割肺实质的准确性是病变分割中的一个挑战。在RNN分割过程中，实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。根据识别程度进行分割。因此，本文提出的RNN方法主要集中在对肋膜和血管病变的边界的精确检测上。分割肺实质的准确性是病变分割中的一个挑战。在RNN分割过程中，实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。根据识别程度进行细分。因此，本文提出的RNN方法主要集中在对肋膜和血管病变的边界的精确检测上。分割肺实质的准确性是病变分割中的一个挑战。在RNN分割过程中，实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。实质的结果构成了提取病变的基础。RNN是一种学习算法，因此避免了自动病变检测的复杂性。RNN使用训练有素的数据集，因此结果是准确的。