癌症给正常人带来了极大的痛苦和危害,当下癌症病变已经成为我国甚至全世界居民死亡的重要因素。利用显微镜观察Ki-67玻片,计算其阳性率,并对其癌变症状分析,是至关重要的一步。由于医生短时间内阅片数量有限以及癌症病变区域形状多样性,位置不固定性,并且每个医生个人经验不同会产生不同的诊断,给癌症病变诊断带来了困难。以数字病理图像为例,基于深度学习的图像分割方面,研究者借助源数据,制作出合适的数据集,并将自己制作的数据集用于训练,并通过不断调整训练代码中的一些影响因子,使得测试效果更优,训练出一个针对肿瘤区域分割较为准确的模型。这样,该模型投入使用时,不仅能提高医生诊断的速度,也能提升智能医疗的水平。针对以上问题和背景,本文利用乳腺癌、结直肠癌、神经内分泌瘤本三个病种的数据集,对肿瘤区域的分割进行了研究。论文完成了如下工作:1.利用cGAN网络,pix2pix中具有代表性的子功能-语义分割,对三个病种的肿瘤区域进行分割。一方面,基于人体组织细胞结构和形态的相似性,将三个病种的数据混和训练,另一方面,三个病种的数据单独训练,两者都是基于条件的生成对抗式网络的方式训练。实验结果表明,分割精度dice值在0.7上下震荡,相对于低分化肿瘤区域数据,高分化的肿瘤区域分割效果较好,说明pix2pix网络多病种混合训练对肿瘤区域的分割有很大的应用价值。2.利用encoder-decoder结构的LinkNet网络,结合基于模型的迁移学习方法,将LinkNet城市景观分割模型作为预训练模型,对三个病种的肿瘤区域进行分割。以两种模式进行训练,一方面是将三个病种的数据混合训练,另一方面是三个病种的数据单独训练。实验结果表明,多病种混合训练和单病种训练分割精度dice值均在0.8附近震荡,与pix2pix网络结果相比,LinkNet网络分割效果相对较好。