左心房壁瘤有先天和后天之分。先天性房壁瘤在病理学上会有特异性表现,而后天性房壁瘤则与心内膜的炎症或是变性相关联。对于后天房壁瘤,高精度的CT图像能够展现出心脏在解刨学意义上的结构的精细变化,成为诊断的首选。本文主要基于深度学习技术在房壁瘤检测上应用这一课题,重点研究了三个问题。首先,如何为RetinaNet配置最优锚点,本文总结了前人经验,并在自己实验的基础上系统阐述了多锚点技术的性质和内涵。确立了基本原则后,可以直接给网络配置合适的锚点参数,而无需对所有有希望的锚点参数进行穷举。其次,在实验中发现,为不同尺寸的房壁瘤配置不同比例的背景信息会影响最终的检测结果。于是本文提出了假设:随着待检测房壁瘤尺寸的增大,标注里对应背景信息比例应该降低。随后本文提出一个拟合出来的软阈值模型对标注进行预处理,然后使用RetinaNet检测。K折交叉验证实验显示,mAP(Mean Average Precision)值从 0.699 提升到了 0.735。最后,为了能从一个二维的房壁瘤数据集里直接生成精准的三维数据集。本文首先对同属一个房壁瘤的二维标注序列的逻辑结构进行数学建模,在此基础上提出了一个自适应K-nmeans聚类算法,可视化结果显示聚类效果符合预期。而后本文改造了一个在MICCAI会议里新近提出的二阶段三维卷积模型在生成的房壁瘤数据集上测试,得到结果recall=0.8846,FPs(False Positives per Scan)=28.52。这里的数学模型和聚类算法也可适用于一般的类型医学图像数据集。