结直肠癌是影响当今人类寿命长度的重大疾病,具有高发病率和死亡率。结直肠癌大都是由息肉恶变导致,所以结直肠癌在很大程度上可以通过对息肉的早期发现和切除来与预防。随着医疗技术的不断发展,CT检查在各类临床疾病的诊断中具有重要的应用价值,相对于传统的结肠镜检查,基于CT数据的结肠虚拟内窥镜是一种非侵入式的检测手段,具有无创,可多次观察的特点。针对于结肠虚拟内镜,结肠息肉的计算机辅助检测研究吸引了越来越多研究者的关注,但现有的结肠息肉检测算法通常是建立在结肠的精确分割的基础上的,针对于现有算法过度依赖于结肠分割结果,我们将多示例学习框架应用于结肠息肉检测中,并提出了基于多示例学习的息肉检测算法。多示例学习被认为是与监督学习、非监督学习、强化学习并列的四种机器学习框架,成为机器学习领域关注的一个研究热点。相较于其他方法的样例标签的单一对应关系,多示例学习因为其训练样例的层次表示结构,更适合于现实场景中的逻辑结构,这也使其在不确切监督的相关问题上具有独特的优势,已经得到了广泛的应用,尤其是针对计算机辅助检测领域,多示例学习框架成为医疗图像辅助检测方法的一大助力。我们通过将图像切割成多个区域将CT图像息肉检测问题转换为多示例学习问题,并使用在大型数据集上预训练的卷积神经网络模型作为特征提取器提取示例的特征,使用池化操作聚合示例的特征得到包的特征表达,最后通过分类算法得出检测结果。除此之外,考虑到CT相邻序列图像的关系,引入三帧差分法计算差分图像,提取差分图像的特征用于特征融合,得到示例的新特征。最后通过实验证明了本文提出的基于多示例学习的结肠息肉识别算法和其改进算法具有更好的分类性能。