در این پژوهش به ارائه روش های دقیق و بهبود یافته در هر مرحله از سیستم های تشخیص می پردازیم. در ابتدا مرحله پیش پردازش انجام می شود در این مرحله با حذف پیش زمینه و استخراج ریه ها با ترکیبی از روش های آستانه گیری و روش های تشخیص لبه و روش های بر پایه کانتور تصویر ورودی قابل فهم تر وبهینه ای را به عنوان ورودی به سیستم داده می شود. در مرحله قطعه بندی ما با ارائه یک روش قطعه بندی دقیق امکان آنالیز آسانتر تصاویر ct را فراهم می کنیم. با روش پیشنهادی ارائه شده برای قطعه بندی کاندیدای نودال به صورت چشمگیری کاهش پیدا می کند. بدین ترتیب میزان خطای مثبت سیستم که ناشی از شناسایی کاندیدای غلط غیر نودال به جای نودال است کاهش می یابد که این کار از حجم محاسبات آتی و احتمال تشخیص نادرست نودال می کاهد.برای رسیدن به این هدف پژوهش ارائه شده با ارائه دو راهکار مناسب که اولی بهبود یافته الگوریتم قطعه بندی moving k-means با نام imkm و دیگری الگوریتم بهبود یافته با pso قطعه بندی دقیق تر و حساس تر از تصویر ارائه می دهد. در مرحله کلاسه بندی نودال ها که یک مسئله داده با کلاس نامتوازن است از الگوریتم های کلاسه بند ترکیبی برای داده های نامتوازن استفاده کرده ایم. در این پژوهش از الگوریتم های کلاسه بند ترکیبی gentel boost وlogitboost استفاده شده است. این الگوریتم ها با دادن وزن بیشتر به داده های کلاس اقلیت که همان نودال های ما هستند دقت بیشتری را به این داده های اقلیت که اهمیت بیشتری نیز برای ما دارند اختصاص می دهد .علیرغم موفقیت های این الگوریتم ها، تنظیم پارامترهای آن ها به صورت دستی انجام شده و لذا بر روی کارائی آن تأثیر می گذارد. در این پژوهش با استفاده از الگوریتم pso به تخمین پارامترهای هزینه با هدف افزایش معیار auc پرداخته شده است.