小肠间质瘤（SIST）是一种起源于间质细胞的潜在恶性肿瘤,临床表现缺乏特异性,往往容易被误诊。目前,对SIST的早期诊断主要依靠专业的临床医生对病人的CT影像进行分析,然而该过程效率低且很容易引入人工误差。伴随着图像处理技术以及深度学习的迅速发展,计算机辅助检测（CAD）逐渐应用在各种医学影像检测任务中,有效地缓解了该问题。但是,SIST的CT影像存在尺度差别大、背景复杂等特点,以及深度学习的训练过程往往需要大量高质量的训练数据。医学影像又存在标注困难的问题,且标注过程中受人为因素影响太大。以上事实都给将CAD方法应用在SIST检测任务上带来了巨大挑战,因此本文针对上述问题,展开了以下的研究内容:1.针对SIST尺度差异大以及背景复杂的特点,提出了Improve Faster R-CNN算法,在原始Faster R-CNN的基础上加入了多尺度、特征增强、再评分后处理模块。多尺度模块在传统特征金字塔基础上加入自下而上的连接,并将每一层特征图都与第一层进行融合。使得每一层的特征层既包含其余所有层的语义信息,又能包含第一层丰富的定位信息。特征增强模块对级联后的各层特征,通过通道注意力以及空间注意力加强特征表示,从而获得更具有判别性的特征。再评分后处理模块结合医生在阅片时通过该切片的上下切片来判断是否发生了病变的阅片机制,融合相邻切片的检测结果。从而平滑候选检测框的置信度得分,并减少一部分的假阳性区域。实验结果表明,Improve Faster R-CNN与原网络相比,在SIST检测任务上提升了0.079。2.针对在SIST检测中高质量标注数据不足,以及在医疗系统中存在大量未标注数据的现状,提出了将Improve Faster R-CNN和自训练结合的半监督方法。首先利用少量的已标记数据对Improve Faster R-CNN训练,然后利用该模型得到未标记数据k次数据增强后的标签,并通过动态阈值以及IOU约束得到无标签数据的伪标签。最后,将已标记数据的实际标签以及未标记数据的伪标签进行Mixup增强,并将增强后的样本再次输入模型进行训练。实验结果表明,和仅使用已标记数据相比,使用该半监督方法可以有效利用未标记数据,获得了更优的检测效果。3.针对基于自训练的半监督方法无法端到端运行,当遇到海量未标记数据时,模型运行缓慢且需要人工操作的问题。本文提出了基于一致性正则化的半监督SIST检测算法,通过计算未标记数据使用弱数据增强、强数据增强后的一致性损失,来利用未标记数据。并针对医学影像检测过程中存在的前景背景不平衡的问题,提出了使用内存模块来存储无标签数据伪标签以及有标签数据实际标签的方法。在训练过程中,将内存模块信息随机粘贴到训练数据的随机位置,增加训练数据中前景实例的比例。同时,为了避免内存模块中包含错误伪标签,使用弱增强后的图像级伪标签指导强增强模型的学习。该方法可以完全端到端地运行,实验结果表明,该方法和其它半监督方法相比,检测效果更好。并且该方法和仅使用已标记数据相比,检测效果更优。