慢性肾小球疾病是导致终末期肾病的首要原因，而膜性肾病是慢性肾小球疾病的一个重要类型，在早期对膜性肾病进行精准诊断具有重要意义。临床上最为常用的诊断方法为免疫荧光法，但是此方法存在一定的假阳性概率且消耗较多人力成本，缺乏更为高效、准确的膜性肾病自动分类方法。高光谱成像技术通过获取光的发射、吸收与散射情况从而捕获可表征物质化学成分的光谱信息，实现了物理结构信息与生物化学成分信息的结合。深度学习(Deep Learning，DL)算法在图像处理领域具有明显优势，与传统算法相比深度算法可自适应地提取高阶特征，从而输出更为精准的结果。
　　本文的主要研究工作如下:
　　第一，针对免疫荧光方法具有一定假阳性概率且人力成本较高的问题，本文与中日友好医院肾内科合作，共同探索膜性肾病的准确、自动分类方法。具体来说，首先通过高光谱显微成像系统对乙型肝炎病毒相关性膜性肾病(Hepatitis B virus-associated membranous nephropathy，HBV-MN)以及特发性膜性肾病(Idiopathic membranous nephropathy，I-MN)两类患者的肾活检组织切片进行成像;随后，通过滤波和降维预处理来增大两类膜性肾病数据的差异性;然后本文设计了一个以生成对抗网络(Generative Adversarial Network，GAN)为基础的深度网络对预处理得到的初级特征进行高阶映射，其中生成器和判别器之间的对抗训练可提升判别器的分类性能，且生成器可视为数据增强策略来增加网络对小样本的鲁棒性能。实验结果表明结合高光谱显微成像技术与图像处理技术有望成为膜性肾病的辅助诊断方法。
　　第二，针对医学图像领域存在的标记样本获取困难的问题，本文提出了一个包含无监督全局特征提取网络、局部特征提取网络和多隐层特征融合网络三个部分的深度融合网络以缓解标记样本的负担。其中无监督全局特征提取网络可在不消耗标记样本的前提下提取大量有用特征，局部特征提取网络可通过少量标记样本捕获局部细节信息，多隐层特征融合网络则负责将全局和局部特征进行融合并完成分类任务。在两组数据集上的实验结果表明深度融合网络可在保证网络分类性能的前提下有效缓解医学图像领域的标记样本负担。