病理诊断作为肿瘤诊断的金标准,在临床医学中发挥着越来越重要的作用。然而,随着病理图像采集技术的不断发展,病理医生的工作负担日益增加,迫切需要一种精确、稳定的技术协助医生高效地完成病理诊断工作。以深度学习为代表的机器学习的兴起为此提供了新的思路。将深度学习应用在病理学领域需要解决许多问题,论文将这些关键问题作为研究重点,从研究人工神经网络的基本原理出发结合病理图像的特点探索解决方案,提出一种基于深度学习的病理图像自动识别算法,在提高医生工作效率的同时增强诊断的客观性。论文工作如下:(1)针对病理学领域标记数据不足,深度学习算法容易出现过拟合的问题,研究了基于图像分割的病理图像细胞自动提取方法,并在医生的指导下加入标签完成样本库的建立。(2)针对复杂的人工神经网络模型高度依赖硬件、与医疗设备难以兼容的问题,构建了一种六层的卷积神经网络模型进行肿瘤细胞的自动识别,并采用周期性振荡的学习率进行训练,以通过更少次数的迭代获得更优的收敛结果。病理学实验验证了算法的有效性。(3)针对病理图像中肿瘤细胞数据不平衡、图像识别网络对少数类的识别率不高的问题,利用条件限制和深度卷积构造了两种生成对抗网络以生成人造样本,实现样本均衡化。实验结果验证了样本均衡化方法的有效性和鲁棒性。(4)针对乳腺肿瘤病理诊断中标准不明确、主观性高的问题,提出了基于病理图像像素分类和细胞分类的定量分析方法,以通过直观的概率图和客观的细胞计数为医生诊断提供辅助。