摘要
肺部恶性肿瘤是全球范围内导致死亡的主要原因之一，其根源通常为恶性肺结节，而这类结节在临床上主要通过放射科医生进行影像学诊断。然而，医院中持续不断涌入的医学影像数据迫使放射科医生更注重检查数量而非质量，这种工作模式容易导致对解剖结构模糊区域的误判，例如将增大的淋巴结误认为肺结节，从而降低恶性肺结节检测的敏感性和准确性，最终造成诊断延误，对患者生命构成严重威胁。为应对上述挑战，本文提出了一种新型的肺结节检测与分类模型——I3DR-Net，该模型基于单阶段检测器架构。I3DR-Net通过融合预训练的自然图像权重Inflated 3D ConvNet（I3D）主干网络与特征金字塔网络（Feature Pyramid Network），有效处理多尺度的3D胸部计算机断层扫描（CT扫描）数据集。实验结果表明，I3DR-Net在肺结节纹理检测任务中表现优异，其在公开数据集和私有数据集上的平均精度均值（mAP）分别达到49.61%和22.86%，受试者工作特征曲线下面积（AUC）分别达到81.84%和70.36%。此外，I3DR-Net在恶性结节检测与分类任务中显著优于先前的先进方法，包括Retina U-Net和U-FRCNN，其mAP分别提升7.9%和7.2%（分别为57.71% vs. 49.8% vs. 50.5%），展现出更强的检测性能与分类能力，为早期精准诊断提供了有力支持。