基于计算机断层扫描的病变自动检测已成为一个备受关注的研究领域,研究人员希望利用计算机辅助诊断系统来辅助临床医学诊断。目前的检测算法主要针对特定的器官部位进行病灶检测,不具有通用性,限制了辅助诊断系统的应用和普及,同时影响医生在临床诊断中对病情作出全面的诊断。人体腹部各器官在空间位置上紧密连接,癌细胞无限增殖的特性导致其有可能向周围浸润及向远处转移,会在其他部位生长相同的癌细胞,腹部病变检测可以帮助医生及时发现器官间的病变转移并及时进行医治。虽然Faster R-CNN检测方法具有检测精度上的优势,但是在应用于医学图像检测时存在对中小尺寸病病灶检测效果较差的问题,基于此,本文开展了相关研究。针对目前腹腔单一脏器疾病检查的局限性,构建了一个基于Faster R-CNN的腹部病变检测管理系统,该系统能够对腹腔内各脏器的CT影像进行疾病检测,目前取得了不错的效果,同时医师和管理者能够使用信息系统分别对患者和医师角色进行管理。1.提出了一种具有新型多尺度全局注意力机制的病变检测方法,基于Faster R-CNN的两阶段网络改进网络结构,通过数学形态学方法使得病变区域特征更加明显。提出聚合扩张卷积模块基于分裂变换合并原则增加特征金字塔自上而下路径感受野,通过多尺度响应模块关注特征图中不同病变响应。最后利用上层特征图重新采样高响应特征,再次与上层图融合并馈入RPN以获得预测分数和输出类别的边界框的坐标。实验表明使用多尺度响应模块的网络与原来的两阶段网络相比,在准确率上有显著的提升。2.提出了一种基于循环金字塔的多分量融合网络。通过循环特征金字塔（CPS）迭代增强FPN的并行层特征作为输入特征的一部分来增强主干,并将循环中学习的特征再次与初始FPN融合。为了最大限度地利用小目标对象的特征信息,通过不同的阈值设定重新定义了前景和背景标签。在相关区域建议网络阶段生成目标提议后模型开始进行特征映射,Ro Align将特征转换为特定分辨率的固定维度,通过卷积层和全连接层完成目标的边界框回归和分类,最后通过NMS选择出最佳边界框并预测出目标类别和置信度。3.基于Faster R-CNN的腹部病变检测模型构建腹部病变检测系统,前端采用VUE开发框架开发页面。后端使用Spring Boot框架搭建,通过URL地址访问服务器。系统包括三个部分:登陆模块、检测模块以及管理模块。该医疗系统可以协助医生更好地诊断患者并实现健康追踪管理。