随着生活方式的改变,长期伏案工作人员增多,近年来颈椎病发病率不断上升,出现临床和放射科医生不足的缺口,且临床实际中医生诊断颈脊髓疾病容易出现漏诊,误诊。深度学习方法在医疗领域的应用目前称为人们关注的焦点。其中使用卷积神经网络的目标检测算法能够快速的检测医学图像中病变区域的位置并对疾病类型做出分类。若能将深度学习方法应用到颈脊髓疾病诊断问题中,不仅可以加快疾病诊断的速度,为患者的治疗赢得宝贵的时间,又能减少误诊率,漏诊率。本文对颈椎MRI图像和卷积神经网络目标检测算法均进行了深入研究。目前,学术界尚没有公开的颈椎MRI图像数据集以供研究。因此作者首先与吉林省某医院医生合作建立了一个小型的颈椎MRI数据集,并通过成熟的自然图像目标检测算法faster-rcnn证明数据集的有效性和利用深度学习辅助检测颈脊髓疾病的可行性。之后,针对faster-rcnn算法在此数据集上因数据集规模较小而出现的过拟合问题提出改进方法。第一,利用弹性形变算法模拟患者拍摄MRI图像时会固有产生的形变,对数据集进行数据增强。第二,在算法的特征提取模块加入SE模组,将网络结构调整为SEnet结构,这个改动在数据增强的基础上提高了网络的准确性。第三,利用门控层对颈椎MRI中常用的三种加权图像进行整合,并讨论了其他结合不同输入的方法。通过以上方法,本文提出的改进的目标检测算法在小样本颈椎MRI数据集上达到了在查全率为95%时,查准率达到87.53%,mAP为0.76。高于faster-rcnn方法和放射科医生水平。