在组织病理学图像中准确地检测细胞核的区域,尤其是粘连细胞核的区域检测,对医学图像中细胞核位置的精准分割、病变细胞的准确计数及后续的三维重建是至关重要的,其对计算机医学影像辅助临床诊断的现代医疗技术的提升具有很大的现实意义,这一直是医学图像处理分析问题中的热点、难点问题。传统的医学图像分割方法表征力较弱,很难实现精准的区域分割。深度学习技术能够克服很多传统图像分割技术上的弊端,因此,本文以深度学习技术作为主要研究方法。大多数以细胞核的区域信息作为模型训练标签的深度学习算法,难以实现细胞核粘连区域的精准分割。故在本文的第三章中,我们将训练模型的细胞核区域信息标签变更为细胞核的边缘信息。另外,针对组织病理图像中粘连细胞核的分割问题,提出深度学习分割模型Caps-Unet。Caps-Unet模型以胶囊层(表示为Capsule层,简称Caps层)替换U-Net模型中的常规卷积层。每个Caps层由四个不同尺度的卷积单元和一个用于连接这四个不同尺度卷积单元输出特征图的连接单元组成。在MICCAI2017粘连细胞核数据集下的实验结果表明,Caps-Unet模型可检测到U-Net模型难以检测到的粘连细胞核的边缘。与U-Net模型相比,Caps-Unet模型损失函数值binary_crossentropy降低了约5%,评价函数值dice_coeifficient提高了约2%。由于实验之初仅为验证Caps-Unet模型的性能,我们只是粗略的标记了细胞核的边缘,故第三章的后续,我们以更严格的标准(在细胞核区域的外侧以两个像素点宽度标记细胞和边缘)制作了数据集的标签,并增加了训练的迭代次数,期望得到更好的边缘检测结果图。实验结果表明,以更严格的标准制作数据集标签后,Caps-Unet模型的损失函数值binary_crossentropy再次降低了 1%,评价函数值dice_coefficient再次提高了约0.3%,且得到的粘连细胞核边缘检测结果图也更清晰,精度更高。由于第三章中Caps-Unet模型在粘连细胞核边缘检测方面取得预期效果,故本文第四章以粘连细胞核区域信息为标签训练Caps-Unet模型,并与U-Net模型处理的粘连细胞和区域分割实验进行对比。实验结果表明,相对于U-Net模型,Caps-Unet模型的损失函数值binarv-crossentrop加降低了约3%,评价函数值dice_coefficient提高了约3%,但仍无法实现粘连细胞核区域的准确分割。实验结果验证了以细胞核区域信息作为模型训练标签很难将粘连的细胞核区域分割开的研究现状。为了能够精准分割细胞核的粘连区域,满足一般医学图像处理中检测细胞核的需求,本文的第五章基于Caps-Unet模型,提出了双流Caps-Unet模型。双流Caps-Unet模型的思想为:分别采用粘连细胞核的边缘信息和区域信息训练两个子Caps-Unet模型,然后将两个子模型输出的细胞核区域信息图和边缘信息图分别二值化后做点乘,融合粘连细胞核的区域信息及边缘信息,以此达到分割粘连细胞核的目的。此外,我们采用DICE2评价指标来评估模型的分割性能。实验结果表明,双流Caps-Unet模型在四幅测试图像上的评价指标值总体优于TernausNet模型与U-Net模型,实现了对细胞核的粘连区域的精准分割。在本文的第六章中,我们设计实现了一个基于U-Net模型的图像语义分割系统。在该系统中,用户可使用各种不同种类数据集来训练系统底层模型,以此达到高效地分割各种场景下的图像的目的。除此之外,我们还设计实现了一个图像格式转换器,便于用户将数据集图像格式转换成系统所指定的图像格式。