Die Erkennung von Läsionen in Computertomografien (CT) ist ein wichtiges, aber schwieriges Problem, da nicht-läsionielle Strukturen und echte Läsionen ähnlich erscheinen können. Es ist bekannt, dass der 3D-Kontext bei dieser Differenzierung hilfreich sein kann. Bestehende end-to-end-Erkennungsframeworks von Faltungsneuronalen Netzen (CNNs) sind jedoch hauptsächlich für 2D-Bilder ausgelegt. In diesem Artikel schlagen wir eine 3D-kontextgestützte, regionale CNN (3DCE) vor, die den 3D-Kontext effizient durch Aggregation von Merkmalskarten von 2D-Bildern integriert. Die 3DCE ist einfach zu trainieren und ermöglicht ein end-to-end-Prozess sowohl beim Training als auch bei der Inferenz. Ein universeller Läsionendetektor wurde entwickelt, um alle Arten von Läsionen mit einem Algorithmus zu erkennen, wobei das DeepLesion-Datensatz verwendet wurde. Experimentelle Ergebnisse an dieser anspruchsvollen Aufgabe beweisen die Effektivität der 3DCE. Wir haben den Code der 3DCE unter folgender URL veröffentlicht: https://github.com/rsummers11/CADLab/tree/master/lesion_detector_3DCE.