基于 YOLOv11 的数据高效肺结节检测的尺度感知课程学习

肺结节检测是肺癌早期诊断的关键任务，但现有深度学习方法在数据有限的临床环境下面临挑战。虽然课程学习已显示出改善模型训练的潜力，但传统的静态课程策略在数据稀缺场景下效果不佳。我们提出尺度自适应课程学习 (SACL)，一种新型训练策略，根据可用数据规模动态调整课程设计。SACL 引入三个关键机制：(1) 自适应 epoch 调度，(2) 难样本注入，(3) 尺度感知优化。我们使用 YOLOv11 作为基础检测器，在 LUNA25 数据集上进行评估。实验结果表明，尽管在完整数据集上 SACL 采用 mAP50 与静态课程学习相当，但在数据有限的情况下（分别以 10%、20%、50% 训练数据），SACL 分别比基线模型提升了 4.6%、3.5%、2.0%。通过在不修改网络结构的情况下实现跨不同数据规模的鲁棒训练，SACL 为医疗机构提供了一种在缺乏标注资源的情况下开发有效肺结节检测系统的实用方案。