宫颈癌是常见妇科恶性肿瘤,其早期筛查和诊断对于疾病的防治有重要意义。传统的宫颈癌病理诊断主要通过镜下观察细胞核的特征形态,确定病变程度及其病理分级,观察视野有限,存在视觉疲劳和主观判断,容易造成疾病漏诊和误诊等问题。随着数字病理诊断技术的发展,它可以自动地为细胞分析提供可重复的精确的疾病特征,减少诊断差异性,提高工作效率和诊断精度。为此,本文主要开展了宫颈癌全切片数字病理图像的自动化分析和诊断流程研究,完成疑似病灶区域检测、宫颈癌细胞核分割、宫颈癌病变组织分类等研究工作,取得以下研究成果:1)在超大宫颈癌病理数字切片图像中,由于对疾病诊断起决定性作用的疑似病灶区域仅占一小部分,本文提出了基于ResNet改进的U-Net网络框架,用于疑似病灶区域自动定位及分割,该网络增强了基础网络对宫颈癌细胞的特征提取能力。通过与上海国妇婴病理科的合作,我们构建了宫颈癌全切片病理数据集,并进行了定量分析评估。针对数据样本标记方式设计并开展了对比实验,该网络的定位分割准确度达到了80%以上,满足疑似病灶区域快速定位需求,为后续的宫颈癌细胞核分割、宫颈癌病变组织分类打下了坚实的基础。2)细胞核分割对于宫颈癌诊断具有重要意义,本文针对已有算法对于内部灰度不均、严重粘连重叠的细胞核分割准确率较低的现状,提出了一种基于多尺度、多任务级联网络的端到端宫颈癌细胞核分割方法。借鉴传统图像分割中先分割后处理的思想,我们把图像的前景分割和边缘分割结合起来,在训练过程中加入降噪学习来降低内部灰度不均的影响,加入边缘增强学习来提高网络对粘连重叠细胞的分割效果;充分利用病理图像的上下层信息和细节信息,进行端到端的训练和优化。通过与已有模型的对比分析,本文的分割算法准确度提高了近3个百分点,为进一步宫颈癌组织的准确分类提供技术保障。3)现有方法在病理疾病的识别和分级时只考虑图像的部分特征,忽略图像的多层次特征和多尺度特征,导致分类准确率较低和泛化能力较差。为了满足宫颈癌病理诊断的不同场合和功能,一方面我们基于迁移学习进行细胞粗粒度分类;另一方面把细胞核区域和细胞核特征结合起来,端到端的实现组织细胞的细粒度分类。通过与已有模型的对比分析,粗粒度分类准确率达到了91%以上,细粒度分类准确率达到了85%以上,为病理医生进行正确的疾病诊断提供了重要的病理诊断辅助依据。在以上研究的基础上,本文提出了宫颈癌全切片病理图像的全自动分析和诊断流程,通过与医生的人工诊断对比验证,该流程可为病理医生诊断提供重要依据和手段。