医学图像分析的第一步都是确定组织,因此,对于许多医学分析算法而言,背景去除是获得有效和准确结果的先决条件。尽管对操作人员来说识别WSI的组织区域是一项非常简单的事,但对于计算机而言可能是具有挑战性的,这主要是由于WSI存在颜色变化和伪影,而且,难以检测到诸如肺泡组织,脂肪组织和染色不良的组织。癌症区域分割是病理医生计算癌症阳性率并分析癌变症状的基础,因此癌症区域分割结果的好坏会直接影响到病理医生的分析结果。癌症区域分割作为医学图像处理中的重难点之一,一直受到广大研究人员的青睐。针对组织前景分割和癌症区域分割,通常做法是分别单独训练两个模型来完成相应的分割任务,若要模型分割准确,就需要大量标注数据做支撑,而医学图像作为敏感数据,获得和处理的成本较高。针对以上问题,本文对如下三个方面的内容进行了研究:1、提出一种基于LinkNet的组织前景分割的方法,用于病理图像的组织前景的提取。该方法以LinkNet网络为基础,通过图像旋转、颜色扰动、色彩通道变化等数据增强方式模拟各种情况的病理图像,来训练模型。与传统方式的组织前景分割相比,本文提出的方法不仅泛化能力强,而且在那种前景和背景区别不大的染色较弱的IHC病理图像中也能取得非常不错的效果。实验结果表明,本文采用的方法远远优于传统的图像分割方法,能够很好地分割组织前景。2、提出一种基于LinkNet的癌症区域分割的方法,用于病理图像的癌症区域的提取。该方法和组织前景分割方法一样,用到的训练数据也一样,只不过mask标签为癌症区域。实验结果表明这部分采用的方法在癌症区域分割上的效果并不理想,需进一步研究。3、提出一种基于改进的LinkNet的多任务学习分割算法,用于病理图像的组织前景提取和癌症区域的分割。上面两个任务都属于分割任务,而且存在共性,但是分别训练两个模型既浪费时间又不能让两个模型在训练的过程中共享信息。本文基于多任务学习的相关理论（Multi-Task learning）,通过改造LinkNet的网络结构,给LinkNet增加一个decoder块以及重新设计新的损失函数,来同时训练两个模型,从而实现训练过程中的信息共享。实验相关结果表明,运用多任务学习的方法训练出来的模型,组织前景分割部分准确率无明显变化,癌症区域分割部分的准确率有较大提升,因此有较大的应用价值。