针对目前应用于医学影像目标检测的深度学习网络模型仅拥有固定的感受野，无法针对形态尺度差异明显的颈部淋巴结进行有效检测的问题，提出了一种新的基于自适应感受野机制的识别算法，将深度学习首次应用于完全三维医学图像的颈部淋巴结自动识别中。首先，采用半随机采样方法对医学序列图像进行裁剪，生成基于网格的局部图像块及对应真值标签；然后，通过局部图像块及标签构建并训练基于自适应感受野机制的DeepNode网络；最后，利用预训练的DeepNode网络模型进行预测，通过输入整体序列图像，可以端到端且快速地获得整体序列对应的颈部淋巴结识别结果。在颈部淋巴结数据集中，采用DeepNode网络识别颈部淋巴结的召回率可达98.13%，精确率可达97.38%，每次扫描的假阳性数量仅为29，同时耗时相对较短。实验结果分析表明，与当前表现优良的二维与三维卷积神经网络相结合的算法、三维通用目标检测算法、基于弱监督定位的识别算法等相比，所提算法可以实现颈部淋巴结的自动识别，并取得最优的识别效果。该算法端到端，简单高效，易于扩展到其他医学图像的三维目标检测任务中，可应用于临床的诊断和治疗。

针对现有算法自动识别颈部淋巴结效率不高、存在大量假阳性且整体假阳性去除效果不理想的问题，提出一种基于级联全卷积神经网络（FCN）的颈部淋巴结识别算法。首先，结合医生的先验知识采用级联FCN进行初步识别，即第一个FCN从头颈部计算机断层扫描图像（CT）中提取淋巴结医学分区；然后，第二个FCN从分区内提取候选样本并在三维层面合并这些样本以生成三维图像块；最后，将提出的特征块平均池化引入到三维分类网络中，对输入的不同尺度三维图像块进行二分类以去除假阳性。在颈部淋巴结数据集中，采用级联FCN识别颈部淋巴结的召回率可达97.23%；引入特征块平均池化的三维分类网络的分类准确率可达到98.7%。在去除假阳性之后的准确率可达93.26%。实验结果分析表明，所提算法能有效实现颈部淋巴结的自动识别并取得较高的召回率和准确率，优于目前相关文献报道的算法；且算法简单高效，易于扩展到其他三维医学图像的目标检测任务中。