اكتشاف الجروح الشامل من شرائح التصوير المقطعي المحوسب (CT) مهم للغاية لفحص الأمراض الشامل. نظرًا لأن كل جرح يمكن أن يقع في عدة شرائح متجاورة، فإن نمذجة السياق ثلاثي الأبعاد لها أهمية كبيرة في تطوير خوارزميات اكتشاف الجروح بشكل آلي. في هذا العمل، نقترح شبكة هرمية للخصائص شبه ثلاثية الأبعاد المعدلة (MP3D FPN) التي تستفيد من مرشحات التحويل العمقية المنفصلة ووحدة تحويل المجموعات (GTM) لاستخراج الخصائص ثنائية الأبعاد المعززة بالسياق ثلاثي الأبعاد بكفاءة لاكتشاف الجروح الشاملة في شرائح التصوير المقطعي المحوسب. لتسهيل التقارب السريع، تم اشتقاق طريقة جديدة لتدريب الشبكة ثلاثية الأبعاد مسبقًا باستخدام قاعدة بيانات كشف الأجسام ثنائية الأبعاد على نطاق كبير فقط في مجال الصور الطبيعية. نوضح أن مع استخدام طريقة التدريب المسبق الجديدة، تحقق الشبكة MP3D FPN المقترحة أداءً اكتشافيًا رائدًا على مجموعة بيانات DeepLesion (تحسن بنسبة 3.48% مطلقة في حساسية [email protected])، مما يتفوق بشكل كبير على الطريقة الأساسية التي تعتمد على التحويل ثنائي الأبعاد لنمذجة السياق ثلاثي الأبعاد بحد أقصى 6.06% (في [email protected]). بالإضافة إلى ذلك، يمكن استخدام الأوزان الثلاثية الأبعاد المدربة مسبقًا المقترحة لتعزيز أداء مهام تحليل الصور الطبية ثلاثية الأبعاد الأخرى.