肝癌是一种常见的恶性肿瘤,利用病理图像做组织病理学诊断是肝癌检测的金标准。全视野数字切片图像（whole slide image,WSI）是病理图像的一种存储方式,其包含上亿像素和多个扫描倍数下的图像,对该类图像进行分析时,若使用人工的方式会因WSI肿瘤标注工作量巨大,而给病理学家带来极大的负担,若使用目前主流的深度学习方式做图像分割,会因WSI包含过多的像素而无法直接传入模型中进行端到端的训练与预测。为了解决以上问题,本文提出两种基于深度学习的WSI肝部肿瘤分割算法,具体研究内容如下:（1）提出一种基于patch-based U-Net的肝肿瘤分割方法。该方法首先将WSI切分为多个图像块。随后,利用patch-based U-Net模型直接对WSI的图像块进行分割。最后,将图像块的分割结果利用图像后处理方法生成肝肿瘤分割掩膜图,实现WSI肝肿瘤分割。为了提升模型的分割性能,将模型训练阶段的损失函数改为Binary Cross Entropy与Dice系数结合的形式。实验结果表明,提出的分割算法取得了良好的分割效果。（2）提出一种基于改进的patch-based VGG16肝肿瘤分割方法。首先,利用WSI包含多种倍数图像的特性,建立WSI中低倍组织像素与高倍图像块的位置映射关系,并根据该映射关系提取组织像素点对应的图像块,提取时,采用一种结合Deep Zoom的新方式实现图像块提取。接着,利用改进的patch-based VGG16模型对图像块分类,并将分类结果映射给其对应的低倍组织像素点。最后,通过提出的图像后处理算法生成肝肿瘤分割掩膜图,实现WSI肝肿瘤分割。实验结果表明,提出的算法进一步提升了分割效果。图34幅,表14个,参考文献55篇。