病理检查是肿瘤等重大疾病诊断的金标准,病理医生通过观察并统计病理切片中的细胞、组织等实例以完成病理诊断与预后评估,该工作难度大、强度高,亟需智能分析方法予以辅助诊断。虽然近年来已有各类基于卷积神经网络的深度学习方法在多种检测任务中得到应用,但由于病理图像有着与其他模态图像不同的内在特点,且病理图像分析诊断任务有着独特的临床要求,因此在将病理检测模型从“实验室研究”推广至真正临床诊断的过程之中还有诸多亟待解决的问题。具体而言,依据任务层级的不同,本文将关键研究问题提炼并划分为三个层次。（1）训练样本标注难点:检测模型在临床化过程中需对临床数据进行大量标注以训练模型,然而病理图像标注成本高,对检测模型的推广与应用构成了阻碍;另一方面,临床数据常存在标注质量不佳的情况,降低了检测模型的训练性能;（2）检测模型设计难点:只具有平移不变性的传统卷积难以对角度可变的病理实例特征进行提取;以及传统检测架构常易受病理图像复杂背景的干扰;（3）临床诊断中医学先验知识的融入难点:病理图像检测诊断任务的内涵远超出简单图像分析任务,需将检测模型以契合临床流程与规范的方式进行设计,若能达到此要求不仅能提升模型的诊断性能,同时自动诊断结果也更易于被医生所接受,然而如何将深度学习范式与临床知识进行有机融合,依然尚待研究。本文依据上述难点问题进行研究与创新,希冀提高病理图像诊断结果的可靠性、可解释性;并进一步推进病理图像检测算法的临床落地进程。取得的成果如下:1.基于判别器的高价值样本挑选方法。受染色剂及采集设备参数等因素影响,不同机构的病理图像分布呈现异质性,导致同一个模型不能准确适配多家机构。因此将模型在新机构进行部署之前应构建相应机构的训练数据以对模型进行迭代,而数据标注成本占据了迭代成本的主要部分。为减少标注成本,应选择具有高价值的样本进行标注。基于此,本文提出了一种病理图像主动学习方法,利用深度判别器对病理图像中的实例价值进行无偏估计,以此挑选最有价值的样本进行标注以迭代模型,有效降低了数据成本。2.病理实例检测鲁棒训练策略。临床检测模型的训练样本需要由专业病理医生进行实例级标注。然而病理图像中实例分布密集,穷尽标注费时费力且不容易实现,因此模型训练过程中常面临标注质量不佳的训练数据,造成模型训练困难。本文提出了基于能量密度的损失校准策略及空间线索的特征挖掘策略,实验表明即使单张训练图像缺失90%的标注,所提方法训练的模型依然具有稳定的性能。3.旋转等变特征提取卷积核。传统卷积只具有平移不变性,无法有效提取病理实例中角度可变的关键特征。提出了一种正交的矢量卷积核,将传统卷积的平移不变性扩展到欧式群变换等变性,有效地增强了卷积核参数的特征容量,构建了更可靠的实例关键特征提取器,为实现更精准的病理实例检测模型打下了基础。4.实例特征补充架构。面对背景结构复杂的数字病理图像,相应的图像分析工作难度陡增。本文工作提出一新型的深度学习检测架构用以减轻病理图像复杂背景的干扰。该架构自动地存储全局关键特征,并在解码过程中不断地为实例区域补充有效特征以减轻复杂微观结构的影响,极大地消除了病理图像背景的误检现象。5.HER2切片自动判读评分算法。提出了一种加入切片癌区约束规则、并契合临床诊断流程的免疫染色HER2切片自动判读评分算法。切片判读结果表明,按照临床流程契合的方法对检测算法进行设计,可显著提升对病理切片的自动判读能力。