与CT、超声等医学图像相比,病理图像能提供更多有效的诊断信息,故被广泛地应用于临床诊断和医学研究中。在传统的肺部细胞病理学诊断过程中,由于病理医生资源的短缺以及不同肺部疾病的异常细胞形态和排列结构的复杂性,均导致了肺类疾病诊断时误诊率的上升。因此,有助于降低误诊率的肺部细胞病理图像辅助诊断系统具有十分重要的研究意义,而肺部异常细胞的准确分割作为该系统最为关键的一步,在现有的研究中并未被很好地实现。因此,本文以肺部细胞病理图像为主要研究对象,深入研究异常细胞的分割问题。主要研究工作包括以下几个方面。在图像预处理阶段,首先,针对图像中存在灰色浸染斑块噪声的问题,采用图像开运算和图像修复算法相结合的方式进行图像降噪处理;其次,针对图像中存在亮度不均衡的问题,采用基于低光照图像增强的算法完成图像亮度增强的处理,以增大肺部病理图像中目标区域与背景区域的对比度;最后,针对肺部细胞图像数量较少的问题,采用图像几何变换的方法,完成了数据增强处理。在肺部异常细胞的分割阶段,使用了3种具有编码-解码结构的网络模型用于肺部异常细胞的分割任务,并结合IOU、DSC两种评价指标用于各个模型的性能评价。实验结果表明,U-Net模型的IOU为0.6519,DSC为0.7743,两项评价指标均高于其他2种分割模型,说明了U-Net模型的分割性能相对较优。为了进一步提高模型的分割精度,提出了一种基于改进U-Net的肺部异常细胞分割模型。首先,针对部分异常细胞小目标区域存在特征难以提取的问题,在U-Net编码器的卷积层之间引入了稠密块,以提高特征之间的传播能力,提取到异常细胞更多的特征信息;其次,针对肺部异常细胞图像亮度不均衡、异常细胞轮廓难以精准分割的问题,在U-Net的瓶颈层中添加注意力机制,以加重异常细胞区域的权重,避免图像亮度不均衡对模型的干扰;最后,针对模型初分割结果不够细化的问题,采用全连接条件随机场算法对分割后的结果进行细化,以提高分割结果的精确度。实验结果表明,改进U-Net模型的IOU为0.7149,DSC为0.8211,且相较于U-Net模型,IOU提高了9.66%,DSC提高了6.04%,说明了该模型不仅更适应于肺部异常细胞的分割任务,还可以更好地分割出低对比度区域、小目标区域以及形状多样性的异常细胞。