李海曼

苏州大学 苏州医学院

摘要(Abstract)：

肺部CT影像中的小结节识别是肺癌早期筛查的核心环节，传统人工阅片方式面临工作量大、疲劳导致漏检等现实挑战。深度学习技术在医学图像分析领域展现出强大的特征提取与模式识别能力，为肺结节自动检测提供了可行的技术路径。本研究旨在系统梳理基于深度学习的肺部CT影像小结节识别算法的优化策略，探讨数据预处理、网络架构设计、损失函数改进、后处理机制及模型轻量化等关键环节的优化方法。研究采用文献分析与理论综合相结合的方法，从二维检测与三维分割两条技术路线出发，分析不同优化策略对检测灵敏度与假阳性率的综合影响规律。本研究的写作目的在于为肺结节智能辅助检测系统的算法设计与工程部署提供系统化的理论参考。

关键词(KeyWords)：

计算机辅助检测；卷积神经网络；目标检测；假阳性抑制；模型轻量化

参考文献(References)：

［1］王颖，王莉莉，吴治国.高分辨率 CT 用于肺部小结节 良恶性鉴别的诊断价值［J］.影像研究与医学应用，2025，9（16）： 95-97. 

［2］王亚楠.CT 影像学检查对肺部磨玻璃样小结节良恶性的 鉴别诊断价值及影响因素分析［J］.医学信息，2024，37（11）： 131-134. 

［3］费孝静，韩健.肺部磨玻璃样小结节良、恶性的影响因 素及 CT 影像学检查的鉴别诊断价值［J］.名医，2023，（1）： 9-11.

［4］赖佳.基于 CT 影像的体成分预测食管癌预后的价值分 析［J］.医学研究前沿，2026，4（2）：41-43. 

［5］翁兰贞.监护室老年重症肺部感染护理的最新研究进展 ［J］.护理学论坛，2026，3（2）：16-20.