基于胸部X光透射图像(DR)的肺部病灶识别与疾病诊断是临床的常规操作。对于肺结核患者而言，其DR图像中的病灶区域与背景相融性高，目标弥散严重且边缘形态极不规则，严重干扰诊断的准确性。针对上述问题，提出了一种融合肺炎影像学特征的肺结核病灶区域检测网络(TDT-Net)

利用肺结核和新冠肺炎同为呼吸道疾病且在DR图像上具有相似表征的特点，借助大量肺炎DR数据，通过迁移学习引入强相关特征以提高肺结核病灶的检测精度。TDT-Net结合Transformer和扩张残差技术，提出上下文感知增强模块，以强化迁移模型对全局信息的建模能力；利用特征细化模块减少迁移过程中引入的冗余信息，凸显强相关特征的表示。实验结果表明，在TBX11K数据集上，所提检测方法的平均准确度(AP)达到87.5%

召回率(Recall)达到80.7%

相较于YOLOV5和RetinaNet等网络有效提升了肺结核病灶的检测精度，实现了更加准确的肺结核病灶定位和分类。