在新冠病毒还未完全平息的今天,其他各类疾病（如肺结核）的诊断治疗仍然是该领域的专家不容忽视的问题。计算机断层扫描是诊断肺结核的重要手段。由于CT图像的复杂性和特殊性,CT报告主要通过放射科的专业医生来完成。人工智能的不断发展促进了深度学习在肺结核诊断上的应用。如何高效的识别出患者CT上的肺结核病灶对帮助医生快速做出诊断是极其重要的。注意力机制在图像处理领域被广泛使用,因此注意力机制在医学图像领域比如CT图像分类也是一种主要方法。三维数据的性质所带来的挑战:可变的体积大小,优化过程中的GPU耗尽。二维CNN中独立处理单个片故意丢弃了深度信息,导致预期任务的性能较差。我们通过数据预处理来解决上述问题。一种方法是通过将三维的CT图像转换成多轴（axial,sagittal和coronal）的二维投影来保留深度信息。对于结核病CT报告病灶检测的研究,本文通过两部分内容进行。第一部分研究内容为在肺结核严重性评分。本文针对这个任务提出了VGG16模型的改进版,并结合患者元数据信息使用了机器学习的分类器进行预测。第二部分研究内容为肺结核CT报告病灶标签自动生成。本文提出的在迁移学习方法下的卷积模块注意力CNN集成模型,该模型主要通过基于迁移学习方法结合卷积模块注意力机制与Ghost模块在经过一系列处理后的数据集上将模型性能调节到最佳,再到测试数据集上进行结果的预测。在ImageCLEF2019肺结核严重性评分数据集上,本文模型取得了AUC为0.878的结果,相较于直接使用CNN处理二维切片效果提升了7%左右。在Image CLEF2020肺结核CT报告病灶标签自动生成任务数据集上,本文所使用的模型在测试集上分别达到AUC均值0.723和AUC最小值0.647。在使用卷积块的注意力模块与Ghost模块之后,模型在测试集上分别达到AUC均值0.792和AUC最小值0.693,证明了本文提出的模型改进在CT报告病灶标签生成任务的有效性。