微乳头型肺腺癌（Micropapillary Lung Adenocarcinoma,MLA）是肺腺癌的一种组织学亚型,微乳头结构很小且与肺泡壁相脱离,与原发性肿瘤相比,这种无规则的结构更容易发生转移和扩散,展现出高强度的侵袭性行为,是一种预后不良的高级别恶性亚型。微乳头模式一般预示着肺腺癌发展的相对晚期,无论是对于患者,还是患者的家庭都是一个极其严峻的挑战。如果能够在早期临床诊断时及时检测出此种组织学类型,对于疾病的早期治疗具有重大的临床价值。组织病理学图像分析是诊断微乳头型肺腺癌的黄金标准。当前,随着人工智能技术的快速发展,人工智能辅助病理诊断已经得到广泛的关注。但是由于深度学习模型能力的有限性以及组织病理学图像的复杂性,现有的计算机辅助诊断算法仍存在以下两方面的问题,有待于进一步解决:（1）病理图像标注数据不足,可用训练数据少。神经网络的训练需要大量带有标注的数据样本,但是全视野数字病理切片图像（Whole Slide Image,WSI）的尺寸较大,而且需要专业的病理学家对图像进行区域级别的标注,病理学家手工标注既费时又费力,标注成本很高,因此,带有标注的病理图像数据集通常很少。（2）病理图像目标多尺度的问题。数字病理图像纹理复杂且分辨率高,图像底层的背景信息和高层的细节信息都很重要,但是传统的单尺度模型通常存在小窗口信息获取不够和大窗口导致模型参数量增加等问题,因此,整合图像多个尺度的信息并依据分析对象设计检测模型是必要的。基于以上问题,本文以优化微乳头的检测方案辅助临床早期诊断为研究目标,对病理图像中标注数据不充足和多尺度检测这两个问题进行重点研究。本文的主要贡献和创新点包括以下两个方面:（1）本文提出了一个半监督学习框架,用于在有限标注的情况下辅助检测微乳头型肺腺癌,解决病理图像中标注数据不充足的问题。该学习框架包括两个步骤:全监督训练阶段和teacher-student半监督训练阶段。全监督训练阶段用手工标注的数据进行训练,设计了由主干（Backbone）、颈部（Neck）和预测（Head）三个部分组成的一阶段检测模型,引入Complete-Io U（CIo U）损失用于预测边界框回归,结合高效的非极大值抑制（NonMaximum Suppression,NMS）方法Cluster-NMS来选择最佳目标框,抑制冗余的回归框完成后处理阶段。在teacher-student半监督训练阶段,用全监督训练阶段得到的模型作为教师模型,为未标注数据生成预测标签,将预测目标分数大于阈值的数据转换为伪标签,同时引入未标记数据的各种变换,联合训练生成学生模型,迭代教师学生的循环生成新的伪标签。在构建的微乳头型肺腺癌数字病理学图像数据集上进行了广泛的实验评估,模型的精度和召回率分别达到0.775和0.896,实验结果验证了模型可以有效利用起未标注的数据,实现快速准确的检测。（2）本文设计了一种基于圆表示法的多尺度模型,用于优化对病理对象微乳头的检测,解决病理图像目标多尺度的问题。该模型以牛津大学视觉几何组（Visual Geometry Group,VGG）提出的模型VGG 16为特征取框架,在模型中融入特征金字塔（Feature Pyramid Network,FPN）结构,以获取图像底层特征图中的纹理、颜色信息和高层特征图中的细胞形状等信息。在对生成的候选框和原标注框进行交并比（Intersection-over-Union,Io U）运算时,根据分析对象微乳头结构偏圆形的特征轮廓,设计了圆形交并比（circle Io U）作为评估指标,用圆表示法来代替矩形检测框,最后通过非极大值抑制操作抑制冗余框,输出检测结果。在构建的微乳头型肺腺癌数字病理学图像数据集上进行实验,模型达到了0.741的精度和0.852的召回率,实验结果表明,该模型实现了对病理组织微乳头结构检测的优化。综合本文的研究工作,本文设计的计算机辅助检测方法将有助于临床对微乳头的早期识别与诊断,为病理图像中微乳头检测算法的研究奠定了基础。