تشخیص غدد ریوی و بدست آوردن تخمینی از میزان بدخیمی غدد در مراحل اولیه بیماری در نجات فرد از مرگ بسیار موثر می باشد. در نتیجه بدست آوردن یک سیستم تشخیص به کمک کامپیوتر که توانایی تشخیص غدد با اندازه های بسیار کوچک در حجم بالایی از تصاویر سه بعدی ct را داشته باشد بسیار قابل توجه می باشد. الگوریتم ارائه شده به تحلیل سه بعدی و خودکار تصاویر ct قفسه سینه پرداخته که شامل سه مرحله می باشد: در مرحله اول برروی تصاویر، پیش پردازش های لازم اعمال می گردد که از استانداردسازی شدت روشنایی و اندازه وکسل ها و جداسازی ریه از پس زمینه تشکیل شده است. در مرحله دوم برای بدست آوردن کاندیدهای غدد از دو روش فیلتر کردن تصاویر با هسته های گوسی و شاخص شکل استفاده می شود که برای بازسازی این کاندیدهای غدد از روش رشد ناحیه ای استفاده شده و ویژگی های این کاندیدها از آنها استخراج می گردد. در مرحله سوم طبقه بندی کننده های شبکه عصبی، ماشین بردارپشتیبان و تحلیل جداسازی (خطی و درجه دوم) برای جداسازی غدد از غیرغدد اعمال می گردند و همچنین برای طبقه بندی غدد به سه گروه غدد بدخیم، غدد نیمه بدخیم و غدد خوش خیم از طبقه بندی کننده های k – نزدیکترین همسایه فازی و ماشین های بردارپشتیبان فازی بهره گرفته شده است. در این پروژه، پایگاه داده از تصاویر ct قفسه سینه 107 بیمار تشکیل شده است که از کنسرسیوم پایگاه داده تصاویر ریه (lidc) گرفته شده است. میانگین تعداد برش ها برای هر سوژه 254 برش می باشد. بهترین نتایج بدست آمده برای جداسازی غدد از غیرغدد، با استفاده از طبقه بندی کننده تحلیل جداساز درجه2 بدست آمد که دارای حساسیت %2/92 با میانگین تعداد fp، 8/8 برای هر سوژه می باشد و برای طبقه بندی غدد به 3 گروه غدد بدخیم، نیمه بدخیم و خوش خیم نیز طبقه بندی کننده k - نزدیکترین همسایه فازی با درصد تشخیص صحیح %3/90 بهترین نتیجه را حاصل نمود. با توجه به استفاده از تصاویر متنوعِ پایگاه داده ی معتبر lidc و تعداد سوژه های کافی برای سنجش الگوریتم های ارائه شده، و همچنین به دلیل وجود غدد با سایز و اشکال گوناگون، نتایج حاصل شده از این سیستم قابل قبول می باشند. همچنین لازم به توجه است که برای هر کدام از دو کاربرد تشخیص و طبقه بندی غدد، تنها از 3 ویژگی بهره برده ایم که این موضوع در کاهش بار محاسباتی در پیاده سازی عملی می تواند موثر باشد.