In dieser Arbeit stellen wir ein vollautomatisches System zur Lungen-Krebs-Diagnose mittels Computertomografie (CT) vor, das DeepLung genannt wird. DeepLung besteht aus zwei Komponenten: Knotenerkennung (Identifizierung der Positionen von potenziellen Knoten) und Klassifikation (Einteilung der potenziellen Knoten in benign oder malign).Berücksichtigend die dreidimensionale Natur von Lungen-CT-Daten und die Kompaktheit von Dual Path Networks (DPN), wurden zwei tiefe 3D-DPN für die Knotenerkennung und -klassifikation entwickelt. Insbesondere wurde ein 3D Faster Regions with Convolutional Neural Network (R-CNN) für die Knotenerkennung entworfen, wobei 3D-Dual-Path-Blöcke und eine U-Net-artige Encoder-Decoder-Struktur verwendet werden, um effektiv Knotenmerkmale zu lernen. Für die Knotenklassifikation wird ein Gradient Boosting Machine (GBM) vorgeschlagen, das mit Merkmalen des 3D-Dual-Path-Networks arbeitet.Das Untermodul zur Knotenklassifikation wurde an einem öffentlichen Datensatz des LIDC-IDRI validiert, bei dem es bessere Ergebnisse als state-of-the-art Ansätze erzielte und die Leistung erfahrener Ärzte auf Basis der Bildmodalität übertraf. Im DeepLung-System werden zunächst potenzielle Knoten durch das Untermodul zur Knotenerkennung identifiziert, danach wird die Diagnose der Knoten durch das Klassifikationsuntermodul durchgeführt. Ausführliche experimentelle Ergebnisse zeigen, dass DeepLung sowohl bei der knotenspezifischen als auch bei der patientspezifischen Diagnose auf dem LIDC-IDRI-Datensatz eine vergleichbare Leistung wie erfahrene Ärzte aufweist.\footnote{https://github.com/uci-cbcl/DeepLung.git}