颅内动脉瘤是脑血管疾病的一种,一旦发生动脉瘤破裂,如果不得到及时的救助,很有可能会危及患者的生命安全。在颅内动脉瘤的诊断中,主要是通过审阅TOF-MRA类型切片数据的方式来判断是否出现脑肿瘤,因此医院放射科医生每天都需要花费大量的时间和精力进行阅片诊断,并且诊断结果很容易受到医生当时的自身状态和阅片经验影响。随着深度学习技术迅猛发展,利用基于深度学习的目标检测技术自动地检测医学图像中的肿瘤目标也得到了越来越多相关研究人员的关注。检测技术作为医疗诊断的重要一环,是未来诊断方式能否发生革命性突破的关键。然而,当前的肿瘤检测方法依然存在诸多不足,包括:（1）小目标检测一直都是视觉领域中的一个难点,由于脑肿瘤目标有大有小,现有的大多检测方法对于小目标检测的效果一直不是很理想;（2）在连续切片类型的医学图像数据中,现有的检测方法大部分都忽视了切片之间的时序信息,更多的是专注于图像特征信息的提取。深层特征信息虽然能很好的表征图像内容,但是上下连续切片之间的时序信息有助于提高脑肿瘤检测的准确率;（3）在医学图像中,非肿瘤区域很容易对肿瘤对象的检测产生干扰,造成错检或是漏检的情况,现有的检测方法不能很好辨别图像中相似对象的特征,因此造成检测准确率的下降。基于上述所提到的一些问题,本文针对医学图像中的脑肿瘤检测提出了一种新的改进型检测方法,主要研究工作归纳如下:1.对于脑肿瘤尺寸大小不一的问题,本文将采用YOLO V3这一基础网络解决。因为YOLO V3进行了多尺度融合,多尺度策略在尺寸变化较大的目标中表现十分良好。此外,YOLO V3算法的检测速度极快,远远快于其它检测算法,这一特点也符合辅助诊断的需求。2.针对时序信息提取的问题,本文将采用LSTM模型来解决。在利用YOLO V3中的深层卷积神经网络提取出丰富而稳健的视觉特征后,再将特征信息传入进LSTM中,以此来构建上下连续切片间的时序信息,将整个网络的学习能力扩展到时序上,而不仅仅局限于图像特征学习。同时LSTM模型也具有很强的回归能力,可以从视觉特征中推测目标对象的区域位置,这有助于后续检测获取到更加精确的对象坐标位置。3.最后融入空间注意力机制模型。利用注意力机制专注于脑肿瘤部分的特征提取,来减弱血管部分对检测的干扰。因为血管部分和脑肿瘤在许多特征上很相似,因此需要将两者区分开来。空间注意力可以使得脑肿瘤部分的权重加大,增强检测性能。本文所提出的实验方法在协和医院（武汉）和实验室合作项目的数据集上进行了测试,实验结果验证了所提改进点的有效性,其中m AP评价指标可以达到70.9%,证明了本文所提思路的可行性。简而言之,本文的研究内容和所提思路对于医学图像中的脑肿瘤检测具有重要的研究价值。