La détection de lésions à partir des scanners à computed tomography (CT) est un problème important mais difficile, car les lésions et les non-lésions peuvent avoir une apparence similaire. Il est reconnu que le contexte 3D est utile pour cette tâche de discrimination. Cependant, les cadres de détection existants basés sur des réseaux neuronaux convolutifs (CNNs) sont principalement conçus pour des images 2D. Dans cet article, nous proposons un réseau neuronal convolutif régional amélioré par le contexte 3D (3DCE) qui intègre efficacement des informations de contexte 3D en agrégant les cartes de caractéristiques d'images 2D. Le 3DCE est facile à entraîner et permet une formation et une inférence end-to-end. Un détecteur universel de lésions a été développé pour détecter tous types de lésions au sein d'un seul algorithme, en utilisant le jeu de données DeepLesion. Les résultats expérimentaux sur cette tâche ardue prouvent l'efficacité du 3DCE. Nous avons mis à disposition le code du 3DCE sur la plateforme GitHub : https://github.com/rsummers11/CADLab/tree/master/lesion_detector_3DCE.