用于CT结肠成像术(CTC)的计算机辅助诊断(CAD)系统能够大大地提高医生的工作效率,减小息肉漏诊的可能性。传统上,一个典型的CAD系统由两个关键组件构成,息肉候选筛查和假阳性去除。而深度学习的出现,使得更简单的解决方案成为了可能。本文利用三维卷积神经网络(CNN)技术,创新性地提出了一个简单而高效的一步的息肉检测系统。在高效的三维全卷积网络(FCN)技术的帮助下,我们不再需要降低假阳性这个步骤,也不再需要电子结肠清洗和准确的结肠分割,而系统的检测效率反而会有一定的提升。本文提出了多步训练方案和混合损失函数,致力于改造原本用于分割任务的FCN技术,使其适应检测任务。这样,像素级的息肉分割标签可以被用来直接训练网络,使得息肉的大小,形状和位置等信息可以被无缝地集成到训练中去。通过这些改进以及自适应数据变换扩增技术的应用,长期困扰CAD-CTC领域中3D CNN应用的数据量不足问题在很大程度上得到了缓解。通过在公开数据集上的实验,我们将本文提出的方法和几种公开文献上的先进的方法进行比较,发现本方法在性能上更加优越。另外,通过详细的对比实验和量化评估,我们证明了本系统中的几个重要模块的优越性。