الدمج الصريح للمعرفة الخاصة بمجال البيانات في الشبكات العميقة يمكن أن يوفر مؤشرات مهمة مفيدة للكشف عن البؤر المرضية ويمكن أن يخفف من الحاجة إلى مجموعات بيانات متنوعة ومختلفة للتعلم من أجل بناء كاشفات قوية. في هذا البحث، نستغل المعلومات الموجودة في صور التصوير المقطعي المحوسب (CT) ونقترح شبكة كشف البؤر المرضية الشاملة والقوية (ULD) التي يمكنها اكتشاف البؤر المرضية في جميع أعضاء الجسم من خلال التدريب على مجموعة بيانات واحدة، وهي DeepLesion. نقوم بتحليل شرائح CT ذات كثافات مختلفة، والتي تم إنشاؤها باستخدام نوافذ وحدات هونسفيلد (HU) التي تحدد بشكل تقريري وتبرز أعضاء مختلفة بشكل فردي، وتُعطى كمدخلات للشبكة العميقة. يتم دمج الخصائص المستخرجة من الصور المتعددة الكثافة باستخدام وحدة انتباه ذات رؤوس متعددة معززة بالتقاطع الذاتي الجديدة، ثم يتم تمريرها إلى شبكة اقتراح المناطق (RPN) لاكتشاف البؤر المرضية. بالإضافة إلى ذلك، لاحظنا أن الصناديق المرجعية التقليدية المستخدمة في RPN للصور الطبيعية ليست مناسبة لأحجام البؤر المرضية التي غالباً ما تظهر في الصور الطبية. لذلك، نقترح استخدام أحجام ونسب صناديق مرجعية خاصة بالبؤر المرضية في RPN لتحسين أداء الاكتشاف. نستخدم الإشراف الذاتي لتوصيف أوزان شبكتنا على مجموعة بيانات DeepLesion بهدف تعزيز المزيد من المعرفة الخاصة بالمجال. شبكتنا المقترحة DMKA-ULD المعززة بالمعرفة الخاصة بالمجال والمبنية على الانتباه ذي الرؤوس المتعددة تنتج صناديق تحديد دقيقة ومكررة حول البؤر المرضية في مختلف الأعضاء. نقيم فعالية شبكتنا على مجموعة بيانات DeepLesion المتاحة للعموم والتي تتكون من حوالي 32 ألف صورة CT مع بؤر مرضية مشمولة بالشرح لكل أعضاء الجسم. تظهر النتائج أننا نتفوق على الأساليب الحالية الأكثر تقدماً، حيث حققنا حساسية إجمالية بلغت 87.16%.