针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题，提出一种改进的Libra区域卷积神经网络（R-CNN）的脑动脉狭窄影像学检测算法，用于检测计算机断层扫描血管造影（CTA）图像的颈内动脉和椎动脉狭窄。首先，在目标检测网络Libra R-CNN中以ResNet50为骨干网络，并分别在骨干网络的3、4、5阶段引入可变卷积网络（DCN），通过学习偏移量提取血管在不同断层面的形态特征；然后，将从骨干网络中提取的特征图输入至引入非局部神经网络（Non-local NN）的平衡特征金字塔（BFP）中进行更深度的特征融合；最后，将融合后的特征图输入至级联检测器，并通过提高交并比（IoU）阈值优化最终检测结果。实验结果表明，改进的Libra R-CNN检测算法相比Libra R-CNN算法，在脑动脉CTA数据集中平均准确率（AP）、AP50、AP75和APS分别提升了4.3、1.3、6.9和4.0个百分点；在公开的结肠息肉CT数据集中，AP、AP50、AP75和APS分别提升了6.6、3.6、13.0和6.4个百分点。通过在Libra R-CNN的骨干网络中加入DCN、Non-local NN和级联检测器，进一步融合特征从而学习脑动脉血管结构的语义信息，使得狭窄区域检测结果更精确，且改进算法在不同的检测任务中具有泛化能力。
