组织病理切片图像是辅助医生定位肿瘤区域,进行癌症诊断的重要参考。随着深度学习的发展,自动化的病理图像分析方法得到了广泛的使用。然而组织病理图像分辨率非常大,病理医生准确地定位癌变区域的位置非常不易。因此结合深度学习技术,自动定位癌变区域的位置,能极大地减轻医生的工作量。由于全监督的语义分割方法需要大量的像素级标签,像素级标签的获取需要消耗大量的人力和物力,所以采用弱监督的分割方式,能够极大的减少标签获取的代价,降低人工制作标签的时间。本文首先提出了一种全监督的级联深度监督金字塔池化网络,该网络目的在于提高超高分辨率病理图像的分割效果。先用下采样方式提取图像的上下文信息,使得网络能够准确判断病理组织的良性与恶性,并且生成较为粗糙的分割结果,再采用裁剪方式将高分辨率的图像与其上下文信息一并输入到网络,实现对癌变区域的边界轮廓精准分割。在网络训练过程中,对中间特征层添加辅助的卷积层,计算与真值的损失,优化中间的特征层,并且修改金字塔场景解析网络,在特征抽取模块使用空洞卷积扩大感受野,提高分割的效果。鉴于像素级标签的标注代价太高,本文提出了基于弱监督学习的伪标签修正网络,对数据增强前后产生的类激活映射图做二范数正则化。该操作能够生成更加鲁棒的类激活映射图,减小分类网络和分割网络的差距,使得在特征抽取部分的分类网络和分割网络产生的特征图趋于一致。本文在结直肠病理数据集Digest Path 2019上将本文提出的方法与其他方法对比,从定性和定量分析上证明了本文提出的两种分割方法的有效性。全监督方式训练的级联深度网络能够提高分割的效果,优化癌变区域的边界和轮廓。弱监督方式训练的伪标签修正网络在只使用图像级标签的情况下,能够准确地对癌变区域定位,产生更加合理的显著性区域。本文实现了组织病理图像分割系统,并且将提出的分割算法接入到系统中,此外还加入了多种对于病理诊断有帮助的传统图像处理方法,此系统促进了算法的落地,可以提高病理医生诊断的效率。