在过去的几十年里,人类的癌症发病率越来越高。癌症的发病周期较短,往往从确诊到死亡只有短短几个月甚至几个星期。因此,对于医生和患者来说,如何能快速准确地在早期对癌症进行有效诊断是极为重要的。随着科学技术的发展,深度学习和机器学习已经应用到生活中的各个领域。如何能在医疗诊断中起到辅助作用已经成为当前深度学习、机器学习领域研究的热门问题和重点问题。其中,医疗图像处理是重要的组成部分。通过使用相关手段和模型,人们将医疗图像中的信息进行提取融合,帮助医生提取关键信息,减少医生工作量,提高相关诊断效率和诊断准确率。本文关注于目前世界第五大癌症—甲状腺癌症的辅助诊断。甲状腺的早期诊断主要通过FNA活体组织检查,观察其滤泡细胞核的形态进行诊断。在FNA活体组织切片中,滤泡细胞核具有分布稀疏、形态复杂等特点,并且与胶质等其他生理组织混杂。医生在诊断过程中会花费大量的时间用于寻找滤泡细胞核。本文通过构建深度学习模型和使用机器学习方法,对甲状腺FNAWSI进行处理,快速准确提取滤泡细胞核区域并过滤具有观察价值的相关区域以辅助诊断,提高甲状腺癌症早期诊断的效率,有效地减少医生的工作量。本文的主要工作有以下几点:首先,针对FNAWSI图像特性和滤泡细胞核特性,本文在传统语义分割模型基础上,提出了共享结构模型,在不引入过多参数基础上,快速处理WSI图像。其次,本文通过引入低尺度信息,提高了分割滤泡区域的准确性。同时,本文提出指标自适应损失函数,提高模型对相应指标的优化能力,有效提高辅助诊断准确率。最后,本文对滤泡区域进行筛选,获取关键诊断区域,降低医生诊断工作量,辅助医生进行诊断。