CT（Computed Tomography）における正確かつ自動的な病変検出は、病変の種類、サイズ、位置、外観に大きな変動があるため、重要な課題でありながらも困難を伴っています。最近のCT病変検出に関する研究では、重心またはバウンディングボックス注釈を使用して訓練された二段階の領域提案手法が採用されています。本研究では、RetinaNetを再設計することで医療画像特有の課題に対応し、高精度かつ効率的な一段階病変検出器を提案します。具体的には、微分進化探索アルゴリズムを使用してアンカー設定を最適化しました。訓練においては、臨床ルーチンで測定されるRECIST（solid tumorsに対する反応評価基準）注釈を利用しています。さらに、GrabCutを使用して自動的に得られる弱いRECISTラベルからの密集マスクを訓練目標に組み込むことで、他の進歩と相まって新たな最先端の性能を達成しています。我々の方法は公開されているDeepLesionベンチマークデータセットで評価され、このデータセットには全身にわたる32,735個の病変が含まれています。我々の一段階検出器は1画像あたり4つの偽陽性で90.77%の感度を達成しており、報告されている最良の手法よりも5%以上優れた結果を示しています。