病理图像分割是进行病理图像定量分析的重要基础,在疾病的研究、临床诊断、治疗和预后中具有重要的价值。传统的分割方法一般为手动或半自动的方法,在分割效率或准确性上远远不能满足临床需求。病理图像的分析相比于自然图像更加困难,目前的深度学习分割模型在病理图像的分割任务中仍然存在分割的准确率和鲁棒性都比较低的问题。造成这些问题的主要原因是一般的深度学习分割模型主要依赖于预定义的损失函数训练机制进行训练,因此不能较好的衡量出模型输出和真实标记之间的误差并指导模型的训练。本文基于生成对抗网络(GAN)和条件生成对抗网络(c GAN)的基本原理在多种病理图像分析任务中构建了组织和细胞层次的分割模型,基于分割的结果发现了许多疾病关联的视觉或亚视觉特征,并将这些特征用于临床辅助诊断和预后。在病理图像分析任务中,本文基于c GAN构建了以下的分割模型和框架:(1)构建了H&E染色病理图像中的细胞核语义分割和实例分割模型SIc GAN,该模型可以对所有的细胞核进行精确的语义分割;(2)构建了乳腺H&E染色病理图像中上皮和间质区域的自动分割模型EPSc GAN,和当前主流的图像分割模型对比,EPSc GAN可以达到最优的分割性能;(3)针对急性髓性白血病(AML)染色病理涂片中髓性细胞(Myeloblast)的检测和分割,构建了AMLc GAN分割和检测的模型及框架。另外,基于成髓性细胞的分割结果提取了成髓性细胞的图像特征来对骨髓转移治疗的有效性进行了预测。(4)为了能够精确诊断慢性髓性白血病(CML),构建了CML染色病理切片中巨核细胞(Megakaryocyte)的检测和分割模型MKc GAN,然后基于分割结果提取了巨核细胞的统计学特征对CML进行了有效地诊断。(5)在口腔癌的H&E染色病理图像中,构建了多细胞核(MN)的分割和检测模型MNSDc GAN,并且在多家单位提供的总共758个全扫描图像(WSI)病例中进行了测试,最终发现提取的MN特征与口腔癌病人的5年生存率密切相关。