Verschiedene Arten von Faltungsneuronalen Netzen (CNNs) wurden angewendet, um bösartige Lungenknoten aus Computertomografien (CT) zu erkennen. Allerdings ist die Größe eines Knotens sehr unterschiedlich und kann zwischen 3 und 30 Millimetern variieren. Die hohe Variation der Knotengrößen macht ihre Klassifizierung zu einer schwierigen und anspruchsvollen Aufgabe. In dieser Studie schlagen wir eine neue CNN-Architektur vor, die als Gated-Dilated (GD)-Netz bezeichnet wird, um Knoten als bösartig oder gutartig zu klassifizieren. Im Gegensatz zu früheren Studien verwendet das GD-Netz mehrere dilatierte Faltungen anstelle von Max-Pooling-Schichten, um die Größenvariationen abzubilden. Darüber hinaus verfügt das GD-Netz über ein kontextbewusstes Unter-Netzwerk, das die Eingabe-Features analysiert und diese an eine geeignete dilatierte Faltung leitet. Wir haben das vorgeschlagene Netzwerk auf mehr als 1.000 CT-Bildern des LIDC-IDRI-Datensatzes evaluiert. Unser vorgeschlagenes Netzwerk übertreffen Stand-of-the-Art-Basismodelle wie Multi-Crop, Resnet und Densenet mit einem AUC von >0,95. Verglichen mit den Basismodellen verbessert das GD-Netz die Klassifikationsgenauigkeit von mittelgroßen Knoten. Zudem beobachten wir einen Zusammenhang zwischen der Größe des Knotens und dem Aufmerksamkeitssignal, das vom kontextbewussten Unter-Netzwerk generiert wird, was unsere neue Netzarchitektur bestätigt.