骨折是一种高发性、并发性疾病,往往发生较为突然,且对诊断速度和精度有较高要求。若诊断不及时不准确,无法尽快对骨折部位实施相应的处理措施,可能造成预后困难等情况发生。X射线在骨科应用中较为广泛,具有操作简单、出片快速、成本低廉等优点,因此成为骨折检测的首选方法。在人体各骨折部位中,由于手部细小骨骼较多,关节联结繁杂,X射线下手骨骨折的检测与诊断容易受到拍摄角度、图像质量等因素的影响,且诊断结果因放射科医师的经验不同而差距较大。深度学习是人工智能重要的研究方向,基于深度学习的医学图像处理可以实现端到端的处理,避免了人工诊断中由于经验不同导致的误差,因此开发基于深度学习的X射线图像下骨折辅助检测系统具有重要的理论价值和临床意义。本文针对手骨骨折诊断中容易漏诊、误诊,从而延误治疗,导致预后困难这一临床医学问题,提出了一种基于改进Faster R-CNN的手骨骨折检测算法,实现了X光图像下手骨骨折检测的计算机辅助诊断系统。本文做出的主要贡献如下:1.改进Faster R-CNN基础网络结构。本文主要在Faster R-CNN基础上改进。首先修改主干网络,利用Res Net作为特征提取层。为了提高网络性能一味地增加网络深度,往往会弱化原始信息,导致错误率增加,模型退化。Res Net与原始主干网主要差别在于,保留一部分原始信息,通过直连（shortcut）方式,增加深度。然后引入ROIAlign。区域建议生成时当建议区域尺寸大小与步长相除产生小数时,原始ROIPooling方法直接对结果取整,不利于对信息的提取。ROIAlign则保留小数。最后引用特征金字塔结构。改善当深度加深时,下采样过程中小目标信息丢失现象,对手骨这类小目标检测具有极大帮助。2.提出GA＿Faster R-CNN手骨检测模型。在目标检测领域,无论是单阶段检测器还是双阶段检测器,都广泛使用了锚框（anchors）,原理类似于滑动窗口,在图像上每一点处生成固定尺寸、比例的锚框,这种方法造成anchors过多,假阳性概率增加。因此我们采用Guided Anchoring引导性锚定法生成anchors,根据提取特征生成,数量大大减少,anchors形状、面积灵活,更利于下一步边界框的回归计算。3.采用Balanced L1 Loss损失函数。目标检测器需要完成分类和定位两个任务,尤其对多目标检测来说,训练任务多。网络训练是对每个像素点进行目标分类和回归的过程。合理平衡不同任务间的梯度有利于模型更好收敛。通过实验验证,该损失函数能实现检测精度的提升,且训练代价较小。总之,本文通过对Faster R-CNN的研究学习,在其基础上获得了一套更加完善有效的针对手骨骨折检测的目标检测模型。通过消融实验对比验证,本文改进部分相比原始方法来讲在速度、检测精度等方面均有很大提升,对医生诊断可产生一定的辅助及参考意义。