随着计算机科学的发展,人工智能和组织病理学的结合已经成为了未来的发展趋势,但是病理图像的特殊性,使得在使用人工智能进行辅助诊断时面临着两个挑战。其一是由于病理切片制作过程和保存时间等因素出现染色上的差异。这些差异会使组织病理学医生或人工智能诊断疾病过程中产生分歧,这些分歧将对诊断结果产生巨大的影响。为了尽量消除这些差异性,对病理图像实施染色归一化方法是必要的一个步骤。其二是数据量过少,医学图像等数据涉及个人隐私、制作成本较高,无法大批量获取。在深度学习中大量的高质量数据能够提高模型准确率,而数据量过少则会造成不同程度的过拟合问题。在已公开数据集中,高质量的病理图像并不多,即使和医院合作也面临着缺少数据的情况。在本文研究中与国内某三甲医院癌症科室合作,获得了三个批次的高质量肝癌病理图像作为数据来源,针对上述两种情况使用肝癌病理图像做出了如下研究。(1)对肝癌病理图像染色归一化方法的研究中,对获取到的肝癌病理图像进行预处理之后,根据肝癌病理图像特点和使用染色剂种类,实现了Reinhard、Macenko和Vahadane共3种典型染色归一化方法,根据图像质量分析指标(SSIM)对归一化方法进行评价,选出针对本数据集效果较好的方法。在Macenko方法的改进过程中,使用量子粒子群搜索方法对三个维度的参数进行搜索,采用SSIM对归一化结果进行评估,量子粒子群搜索引入了平均最好粒子位置,同时基于量子行为粒子群更具有随机性,可以在较少次数的迭代过程中,计算出最优归一化参数。对比Vahadane、Reinhard,使用最优参数的Macenko方法染色归一化后SSIM指标提升至0.970,使得肝癌病理图像中染色不均的问题得到了有效解决。(2)对基于语义分割任务的肝癌病理图像增广研究中,根据Auto Augment的思想,本文提出了一种基于语义分割的病理图像自动增广方法,旨在根据肝癌病理图像的特点,计算出最优的增广策略。自动增广方法分为3部分,增广器、子网络模型、控制器。增广器实现了10种深度学习中常用的基本图像增广方法,根据增广策略将基本增广方法按顺序执行在对应的病理图像数据集中,其中增广策略的超参数由控制器中的基于随机森林的SMBO方法来进行搜索,随后使用基于sy BN的U-net对增广后的数据进行训练,达到最大迭代次数时,根据评价指标选出最优的增广策略。实验结果证明两个批次的肝癌病理图像数据集在使用第一批次最优增广策略情况下相比未增广的肝癌病理图像m IOU和PA的均值提升至94%,针对肝癌病理图像中样本数量较少的问题,提供了可行的解决方案。