乳腺癌现已成为对女性健康威胁程度最高的恶性肿瘤之一。目前,主要是人工结合组织活检的显微分析进行诊断,不仅费时费力,而且诊断结果具有主观性与差异性。因此若能通过计算机自动准确地将病理图像中的病变区域诊断出来,那么不仅省时省力,而且可为病理学家提供精确客观的评估依据,这对于恶性肿瘤的智能诊断极具意义。对乳腺组织根据癌变与否进行切片图像的语义分割即可实现这点。本文要研究的乳腺组织活检全扫描切片图像分割是基于千兆分辨率的像素级分割,因数据量巨大,染色图像背景复杂,并且检测对象含有不同尺度的细胞与组织,故使得现有图像分割算法不能很好地适用于本文数据。针对乳腺癌全扫描切片图像语义分割中存在的一些难点,结合最新的深度学习技术,本文提出了一种将多尺度空洞卷积神经网络与形变模型相结合的图像分割算法,对多分类乳腺病变区域(正常、良性、恶性(原位性或浸润性))进行语义分割:(1)本文采用多个尺度的空洞卷积结构获取多尺度特征进行特征融合,并在上采样过程中,使用反卷积减少特征损失,以适应更加精细的多分类任务,这种改进的多尺度空洞卷积神经网络在数据集上进行训练验证,对比经典算法,该方法的准确率更高。(2)卷积神经网络在训练时采用随机抽取图像块的方法,使得网络无法获取更大范围的组织特征及全局信息,可能导致乳腺组织分割缺乏轮廓细节等问题。为此,本文提出了可整合全局形状信息和先验知识的形变模型,以达到优化网络分割结果的目的。实验表明,以上改进在乳腺癌全扫描切片图像的多分类语义分割任务中具有较好的分割性能,能够为相关研究提供重要价值。