CTスライスからの普遍的な病変検出は、包括的な疾患スクリーニングにおいて重要な役割を果たします。各病変が複数の隣接するスライスに存在する可能性があるため、3Dコンテキストモデリングは自動化された病変検出アルゴリズムの開発において極めて重要です。本研究では、 Depthwise Separable Convolutional Filters（深さ方向分離型畳み込みフィルター）とGroup Transform Module (GTM) を用いて、3Dコンテキスト強化2D特徴量を効率的に抽出し、CTスライスでの普遍的な病変検出を行うためのModified Pseudo-3D Feature Pyramid Network (MP3D FPN) を提案します。より速い収束を促進するために、自然画像領域の大規模2D物体検出データセットのみを使用して新しい3Dネットワーク事前学習方法を導き出しました。この新しい事前学習方法により、提案したMP3D FPNはDeepLesionデータセットで最先端の検出性能を達成しており（[email protected]の感度で3.48%の絶対改善）、2D畳み込みを使用して3Dコンテキストモデリングを行うベースライン手法よりも最大6.06%（[email protected]で）大幅に優れています。さらに、提案された3D事前学習済み重みは、他の3D医療画像解析タスクの性能向上にも利用できる可能性があります。