病理诊断作为一种直接通过肉眼观察显微镜下人体活检样本的组织结构与生理特征的医学诊断方式,是医学诊断领域带有宣判性质的权威性诊断方法,被誉为诊断“金标准”。本文围绕数字病理图像智能分析,主要开展了微小浸润性宫颈癌基底膜分割、病理细胞核分割以及融合诊断报告语义信息的可解释性诊断算法研究工作,其中:1)针对已有语义边缘分割模型在基底膜分割中所存在的边缘完整性、连续性、全局性不足的问题,提出使用生成对抗网络来让分割网络学习基底膜边缘像素空间排列一致性及其形状先验,并通过与医院合作建立的数据集,实验验证了带有对抗网络训练的分割模型良好的解决了已有分割模型所存在的上述问题。2)针对病理细胞核分割中所存在的细胞核严重重叠、内部灰度不均、背景噪声伪影复杂、染色差异等众多问题,本文提出级联式卷积网络模型来完成细胞核前景提取、细胞核前景降噪、细胞核前景距离变换以及细胞核边缘提取四个级联式子任务,将所有子任务整合在了一个端到端可训练优化的模型中,并通过实验验证了该模型相比于已有模型的优越性。3)已有的绝大多数数字病理图像的癌症分级、病变识别等类型的工作均把此类问题看做单纯的诊断结论标签的图像分类工作,但实际的病理医生在给出诊断结论时会写下诊断报告以描述图像并推断出结论的。本文研究了如何有效利用病理诊断报告中的语义信息来辅助诊断结论的预测。此外,本文通过结合自然图像分析领域的注意力机制研究,赋予了诊断结论一定的可解释性,即在模型生成诊断结论的同时,会在原图中高亮出一块区域,用来表示模型所关注的图像区域。基于与医院合作建立的宫颈癌前病变的诊断数据集(包含病理图像及其病理诊断报告),本文将所提出模型与已有图像分类模型进行实验对比,验证了加入诊断报告语义信息对于诊断结论预测的积极作用,并通过大量扩展实验进一步证明了本文所提出模型的合理性。