胆管癌是一种胆管上皮恶性肿瘤,为世界第二大肝胆胰肿瘤。胆管癌起病症状隐匿,往往被诊断时已发展到了晚期,因此早期诊断十分重要。临床上需要进行组织病理诊断才能具体判断肿瘤的实际浸润程度,然而组织病理图像的形态变化多样等特点给专家诊断带来了挑战,人工诊断过程繁琐费时,容易产生误诊和漏诊,而深度学习技术的发展为显微病理图像的识别研究提供了新方法。此外,对比彩色图像,高光谱图像同时提供了丰富的空间信息和反映病理切片中化学组成成分的光谱信息。因此,本文为胆管癌病理组织建立了带标注的高光谱图像数据集,并用深度学习技术对胆管癌的区域识别方法进行了研究。本文建立了含有癌变区域标注信息的胆管癌显微高光谱数据集,并利用该数据集对胆管癌的区域识别方法进行了研究。本文建立了3D-Dilated-U-Net模型对胆管癌高光谱图像中的癌变区域和正常组织区域进行识别,将空洞卷积从空间维度扩展到空间-光谱维度,并且对采用不同空洞系数的3D空洞卷积的识别结果做了定量化分析。为了更好的识别胆管癌病理图像中存在的大面积癌变区域情况,本文结合Non-local模块与3D-Dilated-U-Net建立了3DD-NL-U-Net模型,并对这两种模型的识别性能做了对比分析。此外,为了验证病理组织的光谱信息对模型识别的作用,本文使用了2D卷积神经网络分别对单波段的胆管癌图像和高光谱胆管癌图像进行了识别研究。实验结果表明,本文建立的胆管癌显微高光谱数据集可以为胆管癌病理区域的识别方法研究提供有效的数据基础。此外,在本文的识别方法研究中,对比普通3D卷积和只在二维图像上做空洞卷积的3D卷积神经网络,采用3DDilated-U-Net模型对胆管癌高光谱图像的识别表现更好;而采用3DD-NL-U-Net模型在所有模型中表现最好,其对胆管癌图像的区域识别准确率、精确率、召回率、Io U和F1值分别为0.8723、0.8375、0.7651、0.6609和0.788。以上结果表明了3D空洞卷积和Non-local模块有助于提升模型对胆管癌高光谱图像的区域识别能力。最后,依据模型分割结果中癌变区域的面积占比,可为胆管癌病理切片中癌细胞浸润程度的诊断分析提供一定的参考作用。