La capacidad de las tomografías computarizadas (TC) para detectar lesiones ha aumentado notablemente en las últimas décadas. En este documento, proponemos un enfoque de detección de lesiones multiorgánicas (MOLD) para abordar mejor las necesidades clínicas relacionadas con el tórax en la vida real. MOLD es una tarea desafiante, especialmente dentro de un volumen de imagen grande y de alta resolución, debido a varios tipos de interferencia de información de fondo y grandes diferencias en los tamaños de las lesiones. Además, la similitud de apariencia entre las lesiones y otros tejidos normales exige características más discriminativas. Para superar estos desafíos, introducimos mecanismos de entrenamiento jerárquico con cálculo de profundidad (DA) y de capas omitidas (SHT) con el novedoso modelo de detección de lesiones Dense 3DCE. El novedoso marco Dense 3DCE considera de manera integral las características de nivel superficial, medio y profundo. Además, equipado con nuestro esquema SHT, el proceso de retropropagación ahora puede ser supervisado bajo un control preciso, mientras que el esquema DA puede incorporar de manera efectiva el conocimiento del dominio de profundidad en el esquema. Se han realizado experimentos exhaustivos en un conjunto de datos DeepLesion ampliamente utilizado y disponible públicamente, y los resultados demuestran la efectividad de nuestra red DA-SHT Dense 3DCE en la tarea MOLD.