چکیده: سرطان ریه به عنوان یکی از بیماری‌هایی است که امروزه عامل مرگ بسیاری از مردم در سرتاسر دنیا می‌باشد. به‌طوری که طبق آمار منتشرشده در سال 2016، کشنده‌ترین نوع سرطان در بین انواع سرطان‌های موجود بوده است. ناژول‌های ریوی اصلی‌ترین عوامل سرطان ریه هستند که شناسایی به‌موقع آن‌ها در روند بهبود بسیار تأثیرگذار است. استفاده از روش‌های هوش‌مصنوعی و الگوریتم‌های پردازش تصویر در چند‌‌دهه اخیر به‌عنوان اصلی‌ترین رویکرد در شناسایی و تشخیص ناژول‌های ریوی است. شناسایی یک ناژول در تصاویر پزشکی فرایند تعیین محل آن در تصویر است که تحت عنوان قطعه‌بندی شناخته می‌شود. قطعه‌بندی عملیات تفکیک یک تصویر به اجزای تشکیل‌دهنده آن است. استفاده از الگوریتم‌های کلاسیک پردازش تصویر همچون روش‌های قطعه‌بندی مبتنی بر لبه‌یابی و همچنین قطعه‌بندی مبتنی بر ناحیه قبل از ظهور روش‌های یادگیری عمیق بسیار مورد استفاده قرار می‌گرفتند. اساس و پایه این روش‌ها مبتنی بر آستانه‌گذاری بود. این روش‌ها از لحاظ وضوح، سادگی و همچنین سرعت اجرایی بسیار مناسب بودند اما نیاز به تنظیمات دستی و همچنین استخراج ویژگی توسط کاربر داشتند. با ظهور یادگیری عمیق و افزایش دادگان، استفاده از شبکه‌های عمیق کانولوشنی در تشخیص تصاویر پزشکی بسیار مورد توجه قرار گرفت. در این تحقیق هدف قطعه‌بندی ناژول‌های ریوی با به‌کارگیری یادگیری عمیق است. برای این کار با داشتن تصاویر سی‌تی‌اسکن ریه طی فرایند سلسله‌مراتبی که شامل سه ‌مرحله اصلی است، به شناسایی ناژول‌ها پرداخته‌شد. در ابتدا طی فرایند پیش‌پردازش به بهسازی هیستوگرام تصاویر پرداخته می‌شود. مرحله دوم با استفاده از یک شبکه عمیق با عنوان BCD- Unet ناحیه ریه از تصاویر CT استخراج می‌شود. نهایتا در مرحله سوم با استفاده از یک شبکه Attention-Unet با دریافت خروجی BCD- Unet ، محل ناژول در ناحیه ریه شناسایی می‌شود. نتایج حاصل بر روی مجموعه داده LUNA16 نشان‌دهنده دقت بالای الگوریتم در هریک از مراحل روش پیشنهادی است. به‌طوری‌که شبکه BCD- Unet به‌کارگرفته شده دارای DICE و IOU به‌ترتیب برابر با 97.75 و 95.79 درصد و در مرحله استخراج ناژول نیز دقت شبکه Attention-Unet برای معیارهای DICE و IOU برابر با 91.73 و 90.39 درصد هستند. همچنین معیار Sensitivity به‌دست‌آمده در تعیین درست ناژول‌های شناسایی شده برابر با 92.31 درصد است.