在病理分析中,数字病理图像因其包含大量丰富的病理信息而作为临床诊断及治疗的重要参考依据。因此,数字病理图像的智能处理算法的研究是一项非常重要且必要的一个任务,也是医学研究领域中的热点之一。当前的研究方向主要是从计算机辅助诊断出发,从预处理、图像分割、特征提取、分类这些方面来获得病理诊断信息从而帮助专家分析病理图像。近年来,肺癌己经成为了发病率最高、死亡率最高、增长速度最快的癌症。腺癌属于肺癌的一种,其发病率占到肺癌总量的50%,所以本文以腺癌数字病理图像做为研究对象分析其智能处理算法。本研究从提取数字病理图像的特征入手,针对数字病理图像中包含的特征在病理图像的分类检测及基因分析中的应用情况进行研究。研究内容主要为:首先改进方向梯度直方图(HOG)算法,然后使用改进的算法获得病理图像中包括的数据信息,随后将提取到的数据信息用于训练支持向量机(SVM),从而完成腺癌病理图像的分类检测,最后采用加权基因共表达网络(WGCNA)方法研究病理图像的分子层信息,其中包含的关键信息即靶点基因对腺癌病理研究有着极大地生物学意义。本文主要工作内容如下:(1)在腺癌病理图像进行特征提取的步骤中,在原HOG特征算子计算原理的基础上,引入了两个方向矢量矩阵,将原算法的特征提取方向即水平方向和垂直方向扩展为水平、垂直以及两个斜对角的方向来实现特征信息的提取,这种改进大大提高了特征信息的熵值,充分提取了病理图像包含的病理信息。(2)在基于已获得的特征信息的基础上进行图像分类算法研究。研究将粒子群优化算法(PSO)应用到SVM分类器中,优化SVM的两个参数c和g,从而达到优化SVM的目的,提高分类器检测图像种类的准确度。为了使PSO优化算法获得更好的优化性能,新提出的PSO算法在原PSO优化算法的基础重新设计了位置更新公式,在位置更新公式中根据适应性原则引入了位置权重w以及增加粒子之间相关性的新函数,并舍弃了速度更新公式,这种设计使得PSO优化算法的优化性能得到提升,在优化SVM时获得了较好的结果。(3)在获得了病理图像的特征信息以及分类结果的基础上,为了更深一步的了解腺癌病理的分子层上的信息,本文将WGCNA方法与数字病理图像结合进行分析,利用数字病理图像的特征信息和分类结果,预估与腺癌疾病相关的关键基因,为医学研究提供更加可靠的诊断及治疗信息。通过上述的算法的分析改进及实验验证表明本文提出的方法在数字病理图像的特征提取和分类方面具有一定的有效性。在病理图像特征信息的信息熵达到近3.9的情况下,分类器获得了98.5%的分类准确度,并对WGCNA结合数字病理图像预估关键基因的方法进行了探究。