컴퓨터 단층촬영에서의 보편적 병변 탐지(Universal Lesion Detection, ULD)는 컴퓨터 지원 진단에 있어 중요한 역할을 합니다. 코스-투-파인(Coarse-to-Fine) 두 단계 탐지 접근법은 유망한 ULD 결과를 보고하였지만, 이러한 두 단계 ULD 방법들은 객체 제안 과정에서 양성 대 음성 앵커의 불균형 문제와 관심 영역(Region of Interest, RoI) 제안의 위치 회귀 및 분류 과정에서 충분하지 않은 감독 문제 등으로 여전히 어려움을 겪고 있습니다. 바운딩 맵(Bounding Map, BM)과 같은 가상 세그멘테이션 마스크를 활용하면 위의 문제들을 일정 정도 완화할 수 있지만, 다양한 병변 형태와 크기를 효과적으로 처리하는 것은 여전히 해결되지 않은 문제입니다. 본 논문에서는 이러한 두 단계 ULD를 위한 BM 기반 조건부 학습 방법을 제안합니다. 이 방법은 (i) 전통적인 IoU 기반 규칙 대신 BM 기반 조건부 메커니즘(BM-based Conditioning, BMC)을 사용하여 앵커 샘플링을 수행함으로써 양성 대 음성 앵커 불균형 문제를 줄일 수 있으며, (ii) 병변 바운딩 박스로부터 크기에 적응하는 BM(Adaptive Bounding Map, ABM)을 적응적으로 계산하여 ABM 지도 세그멘테이션을 통해 병변 위치 결정 정확도를 향상시키는 데 사용됩니다. 최신 네 가지 방법들과의 실험 결과, 제안된 접근법은 비용이 많이 드는 병변 마스크 주석 없이 거의 무료로 탐지 정확도를 개선할 수 있음을 보여주었습니다.