随着当前人民生活水平质量的不断提高,很多人往往在饮食上不加以控制,在日常饮食中食入大量脂肪过高的食物,从而导致血液中脂肪含量过高,营养过剩导致体重较重,以至于身体出现肥胖,而这些是引起非酒精性脂肪肝病的重要原因之一。病理医生在进行病理学诊断时,需要根据区域组织中正常肝细胞、脂变肝细胞、气球样变性肝细胞以及免疫细胞的分类以及分布情况,然后结合病理学经验做出最终的诊断结果。非酒精性脂肪肝的细胞图像特征差别很小,这进一步增加了诊断的难度。为了帮助病理医生实现更加高效地诊断,通过人工智能的方式,让计算机通过训练去辅助病理医生进行诊断,一方面可以缓解病理医生的诊断压力,另一方面也可以提升病理医生进行诊断的准确率以及效率。随着深度学习卷积神经网络的不断发展,其在图像任务中取得了巨大的成就。非酒精性脂肪肝分类系统主要包括细胞轮廓的提取,非酒精性脂肪肝细胞分类以及病理大图区域可视化。在细胞轮廓提取的任务中,我们首先要定位细胞,一般采取基于区域的分割、基于阈值的以及一些监督学习方法,这些方法虽然可以实现分割,但是其中的有一部分重要参数需要人工手动进行设置,从而不能够完全自动化地去实现,而可实现自动化分割的卷积神经网络在细胞分割中应用不成熟,分割效果难以保证。对于细胞分类任务,很多研究中,主要是先进行人工提取一些重要特征,然后再进行特征的分类,所以这样就会产生一定程度上的主观性,导致最终的结果会有一定的随机的误差。而在用卷积神经网络对非酒精性脂肪肝细胞的图像分类中,其最终的效率以及准确率仍有很大的上升空间。针对存在的不足之处,本文基于卷积神经网络研究并实现了非酒精性脂肪肝的细胞分类系统,本文主要包含以下几方面的工作:1、构建基于深度学习的非酒精性脂肪肝的细胞分类系统模型。模型主要由病理图片预处理模块,分类器训练模块,分类结果可视化模块,及测试模块共四个模块组成。2、给出病理图片预处理方法。采用MaskRCNN模型进行细胞病理图中细胞的定位,再进行OpenCV操作得到细胞的轮廓,即进行绘制细胞的轮廓。3、给出非酒精性脂肪肝的细胞分类方法。采用高效的卷积神经网络结构Xception,结合深度可分离卷积,通过迁移学习的方式,在此基础上进行微调技术训练网络,并进行分类器的调优,提高分类准确度。4、给出分类结果可视化方法。可视化主要包括在输入的图片上进行绘制轮廓及根据相应类别进行颜色绘制,以及进行在原始病理大图中细胞不同分类热点区域的可视化。5、实现与测试细胞分类系统。使用TensorFlow框架、Python编程语言以及开发工具Pycharm,一方面对分类结果进行评估及结果可视化,并与当前经典算法进行对比测试实验,验证本文算法的有效性;另一方面,对系统所涉及的各功能模块进行实现与运行,测试系统性能。通过对比实验表明,本文给出的非酒精性脂肪肝细胞分类算法能有效地实现不同细胞之间的分类。通过结合深度可分离卷积,结合深度迁移学习,让卷积神经网络适应小尺寸的细胞数据集,解决了存在的过拟合问题,提高了泛化能力,提高了分类效率和准确度,充分验证了本系统的有效性。通过对本文所构建的非酒精性脂肪肝细胞分类系统进行测试,以及通过该系统的具体的运行情况可以表明,本系统可实现更加高效且更加精准的细胞分类,通过热点区域绘制细胞病变区域,可以方便病理医生对非酒精性脂肪肝更加高效精准的辅助诊断。