随着医疗科技的快速发展,医学影像得到了海量的扩充,科学利用医学图像分析技术对组织和细胞影像进行高效、准确的分类,有助于医生更好探索治疗癌症途径。医疗影像分析是最近几十年以来最基础、最活跃的研究领域之一。通过在细胞水平上对肿瘤组织进行分类可以更好的了解肿瘤病变的特征,从而帮助病人更好的选择治疗癌症的手段。由于细胞具有不限于形状、强度、纹理特征等异质性,从直肠癌组织病理学图像中对组织和细胞进行分类是一项具有挑战性的任务。本文的主旨是利用人工智能技术对直肠癌病理学图像进行特征提取与分析,进而对直肠癌病理学图像进行识别与分类。目前,利用人工智能技术对病理学图像分类研究主要集中在两个方面,一方面是人工特征提取与传统机器学习算法相结合的病理学图像分类,另一个方面是基于深度学习的病理学图像分类。基于深度学习的图像分类可以自动的从已标注的图像数据集中学习到复杂、更高层次的特征,避免了手工设计过滤器进行提取特征带来的局限性与复杂性。但目前深度学习中的卷积神经网络存在一定的不足,为改善其缺点,本文将采用胶囊网络技术对直肠癌组织病理学图像进行预测和诊断,本文的创新点如下:(1)针对卷积神经网络训练过程中空间结构层次消失的问题,本文提出了一种改进的胶囊网络架构,利用VGG作为特征提取层,所构建的特征图具有比较大的感受野,可以获得更加抽象的高层特征。然后通过胶囊网络的胶囊层对提取到的高层特征进行编码,结合动态路由算法处理其与数字胶囊层之间的关系,来增强胶囊网络的表达。实验结果表明,VGG可以有效提取病理图片特征的关键信息,胶囊网络的动态路由可以让特征更具有空间性和方向性。(2)针对医学图像标注成本较高的问题,本文提出一种基于Caps Net生成对抗模型。模型以胶囊网络来作为隐向量的auto-encoder。,每一个输入的真实样本种类都对应着不同的向量空间,噪声将通过生成器映射到隐向量作用空间,再通过数据生成对样本进行恢复,紧接着利用判别器对样本进行真伪判别,两个模型不断博弈,最终实现目标代价函数最小。为验证模型的有效性,本文在直肠癌组织病理学图像数据集进行训练,比较其它实验,发现其性能优于其它网络。(3)为推广机器学习在医学领域的发展,设计了一种医学辅助实验系统来进行疾病的诊断。在系统开发上,结合病理学专家的经验以及结直肠癌TNM疾病分期系统作为计算机对疾病的量化标准,通过预处理模块、纹理特征描述模块、纹理特征分析模块以及病理学图像诊断模块,给出诊断结果一般结论性总结,概括疾病特点。为疾病的初步诊断提供了判断依据。该系统在一定程度上解决了部分区域医疗匮乏地区造成疾病延误诊断及治疗的问题,解决了由于专家临床经验以及个人主观因素的影响,造成误诊的现象,为病人治疗节省了宝贵的时间。