乳腺癌是女性中最常见的癌症之一。目前,乳腺癌的诊断需根据病理医生对乳腺病理图像的主观判断,耗时较长且效率低下,甚至可能造成误诊。随着深度学习技术的不断发展,借助计算机辅助诊断来减轻病理医生的繁重工作已成为了可能。本文利用深度学习技术对乳腺癌病理图像进行良恶分类和细胞分割,希望借助计算机的辅助诊断帮助医生进一步提高诊断效率和客观性。本文主要工作如下:1、针对乳腺癌病理组织图像分类问题,本文提出了IDSNet卷积神经网络。该模型以Dense Net为基础框架,使用CBAM结构沿通道和空间两个不同方向对特征进行重新标定,实现网络资源的有效分配,并将深浅层特征以自适应方式进行融合,提高模型在细粒度分类任务中的性能。此外,为解决医疗图像标注成本过高导致的数据量稀缺等问题,本文除了在训练集中使用数据增强手段外,还引入了无监督学习——伪标签技术来实现数据扩充,以进一步提升模型性能。2、针对乳腺癌细胞分割问题,本文提出了RSDNet分割网络,该网络基于编码器和解码器形式实现了图像端到端的分割。在编码器部分对残差结构进行改进,将其第二个标准卷积用可形变卷积进行替换,以此提高模型对不规则轮廓的学习能力,并在跳跃连接处使用SENet结构实现对有效特征的加强和无效信息的抑制。在解码器部分使用RFB模块利用其多分支结构提高网络感受野,以实现对乳腺癌细胞的精准分割,且在测试时使用了测试时增强手段以进一步提升模型的准确率。本文在BreaKHis数据集中完成对乳腺癌病理图像的分类和USCB数据集中实现对乳腺癌细胞的分割,进一步证明了所提出的算法可有效提升乳腺癌图像的分类和分割效果。