چکیده: سرطان یکی از بیماری‌های کشنده جهان است. یکی از دلایل تلفات زیاد این بیماری، تشخیص اشتباه پزشک یا تاخیر در تشخیص این بیماری بوده است. در بین تمام سرطان‌ها، تشخیص سرطان ریه به علت داشتن ساختار غیریکسان و ناهماهنگ، به سختی انجام می‌پذیرد. با پیشرفت علم و تکنولوژی، تشخیص این نوع بیماری می‌تواند از حالت سنتی خارج شود و با سیستم‌های خودکار و نیمه‌خودکار انجام شود. برای داشتن یک سیستم که بتواند بدون دخالت انسان بیماری را تشخیص دهد، می‌توان از تکنیک‌های یادگیری عمیق بهره برد. به‌ طور کلی، سیستم‌های تشخیص سرطان ریه، شامل دو بخش اصلی بخش‌بندی و طبقه‌بندی است. خروجی قسمت بخش‌بندی، ورودی قسمت استخراج ویژگی و طبقه‌بندی است. مهم‌ترین مشکل قسمت بخش‌بندی ساختار غیریکسان و ناهماهنگ ریه است. برای از بین بردن این مشکل، روش‌های زیادی مطرح شده است که ایراد اغلب این روش‌ها، بالا بودن میزان مثبت کاذب است. در این تحقیق، برای تشخیص سرطان ریه، ابتدا بر روی تصاویر پیش‌پردازش‌هایی انجام شده است. این پیش‌پردازش‌ها به منظور فراهم کردن تصاویر خام ورودی و افزایش کیفیت آن‌ها برای آموزش شبکه یادگیری عمیق است. سپس با استفاده از شبکه عصبی BCDU-Net، تصاویر ریه بخش‌بندی شده‌اند. سپس با استفاده از شبکه عصبی کانولوشنی سه بعدی و با تغییرات بر روی لایه‌های این شبکه، استخراج ویژگی انجام شده است. در مرحله آخر، لایه تماما متصل به شبکه XGBOOST متصل شده است تا نهایتا طبقه‌بندی با دقت بالایی انجام پذیرد. با استفاده از این شبکه‌ها و تغییراتی که بر روی آن‌ها ایجاد کرده‌ایم، به دقت 97/94 درصدی دست پیدا کرده‌ایم و نسبت به کار‌های پیشین، دقت کار افزایش داشته است.