小肠间质瘤（Small Intestinal Stromal Tumor,SIST）是原发于人体小肠部位的一种潜在恶性肿瘤,缺乏特异性临床表现。目前,在影像学中对SIST的诊断主要取决于医生丰富的临床经验,该方式效率低且受主观因素影响大。近年来,深度学习技术在医疗辅助诊断领域中发挥着重要作用,有效提升了病灶筛查的效率和准确率。然而,现有方法在SIST检测任务中的应用仍面临着特征提取及融合不充分、假阳率高和缺乏可解释性等挑战。因此,本文针对SIST数据特点和实际应用中出现的问题,设计了基于深度学习的小肠间质瘤检测模型并对其可解释性进行说明,以自动识别和定位CT切片中的病灶区域,为医生的诊断结果提供可信的辅助性建议。针对小肠间质瘤的CT影像数据量不足,其病灶具有纹理复杂、大小不一和形态多变等特点,本文对小肠间质瘤检测模型的Backbone和Neck部分进行设计,提出了基于3D上下文增强的多尺度特征融合网络（3DMF Net）。该网络首先利用切片分组输入策略引入相邻切片的上下文信息,同时考虑了相邻切片特征中通道和空间信息的重要性,设计了基于注意力机制的3D上下文特征融合模块3DFB和3DFN。然后结合FPN网络结构,3DFB和3DFN在特征提取的不同阶段充分融合了3D上下文特征与多尺度特征,有效丰富了病变的特征表达。实验结果表明,3DMF Net能够有效提升模型的灵敏度。在允许每张切片中平均出现8个假阳性结果的条件下,模型在SIST检测任务中的最高灵敏度达到了98.06%。针对小肠间质瘤的CT影像数据信噪比低且背景复杂,容易出现大量假阳性预测结果的特点,本文进一步对小肠间质瘤检测模型中的预测分支和Head部分进行设计,在3DMF Net的基础上提出了基于多分支辅助的小肠间质瘤检测网络。该网络的位置感知任务分支在训练时执行切片分类和位置预测任务,充分建模了CT序列中的固有信息,减少了模型在非小肠区域切片中的假阳性结果。同时,弱监督语义分割辅助分支使用框级标注初始化伪掩码并在迭代过程中通过图模型进行优化,在训练阶段使用更纯净的像素级标注给小肠间质瘤检测任务提供了良好的辅助监督信号。进一步的,该网络在测试阶段将分割分支和检测分支的预测结果进行融合以产生更稳健的检测结果。基于融合后的结果,本文提出了一种硬负例挖掘策略,重点关注图像中难以区分的区域。实验结果表明,以上方法有效降低了小肠间质瘤检测模型的假阳率。本文所提出模型在置信度为0.5的阈值下,得到每张切片的平均假阳性数量为4.28,相比Baseline中的10.71,降低了6.43。针对基于深度学习的小肠间质瘤检测模型缺乏可解释性这一关键问题,本文在最后利用特征图可视化和Grad-CAM类激活映射方法对模型进行了视觉解释。分析了不同分支及策略对网络所关注特征区域的影响,验证了模型具有与医生诊断知识相匹配的预测模式,为模型在医学临床中的应用提供了基础。