乳腺癌是致使现代女性死亡的主要癌症之一,而核抗原Ki67的细胞染色免疫组化评估可以有效地对肿瘤细胞增殖水平进行比较,因此使用Ki67评分对乳腺癌的诊断与预后有着重要的医学作用。目前医院病理科检测计算乳腺癌Ki67评分仍然使用传统镜下人工检测,不仅效率低且准确率较差。为了提升病理科医生工作效率同时提高Ki67评分准确度,本文提出一种基于卷积神经网络的深度学习方法,进而对乳腺癌Ki67病理切片细胞图像进行Ki67检测。本文整体分为细胞分割与肿瘤区域分割两部分,主要包含以下工作:(1)本课题综合医生意见对乳腺癌Ki67细胞标注数据的制作进行了规范;(2)提出使用高斯滤波将细胞标注数据转为热点图,同时利用点标注代替传统标注方式。以此来减少传统标注方式导致数据生成效率低、细胞标注难以区分的问题,集中提取目标特征;(3)在已有网络的基础上,本课题进行改进并提出结合主动式学习的网络训练策略,减少网络训练所需要的数据量;(4)提出使用H&E,DAB通道分离的方式区分Ki67细胞染色阴阳性,进而计算得到相应Ki67评分实现Ki67检测;(5)提出细胞分割结合肿瘤区域分割的方式优化细胞分割结果,使用Segnet网络进行肿瘤区域分割,提升Ki67评分计算结果准确率。实验结果表明,相比于传统深度学习图像分割网络FCN、U-Net,利用改进网络结合主动式学习策略,分割结果F1值可达到88.58%,同时结合肿瘤区域分割结果,可以在Ki67检测上拥有更高的检测准确率。此方式可为病理科医生进行Ki67检测节省大量人力时间成本,有较好的使用和发展前景。