作为临床癌症诊断的“金标准”,病理学诊断对确定患者治疗方案及预后意义重大。传统病理诊断使用人工阅片的方式,存在准确率低、工作量大等问题。为解决这些问题,计算机辅助诊断技术应运而生,它能帮助医生从海量数据中快速找到异常组织区域,提高医生的诊断效率和准确率。组织病理图像分类是病理辅助诊断领域的关键技术,现有模型的分类性能无法满足实际诊断的要求。这是由于组织病理图像分辨率高、标注成本高昂,肿瘤组织本身具有类内变异性,其形态、纹理特征十分复杂。近年来,深度学习技术在计算机视觉领域应用广泛,在组织病理辅助诊断领域也显示出巨大潜力。因此,本文使用深度学习方法来解决组织病理图像分类问题,其主要研究内容如下:1.针对全切片组织病理图像分类任务,提出了基于对比学习的弱监督全切片病理图像分类方法MoCo-CLAM,解决了CLAM对域内数据利用不充分的问题。该方法首先从全切片图像中的组织区域中提取小图块,然后利用特征提取模型提取小图块特征,最后使用CLAM聚合所有特征并对WSI分类,其中,特征提取模型使用MoCo v2和域内数据以无监督方式训练。MoCo-CLAM在仅有全切片图像级标签的情况下,在两种全切片图像数据集上的分类性能均优于其他弱监督方法和部分监督方法。2.针对小尺寸组织病理图像分类任务,提出了基于自适应颜色反卷积的组织病理图像分类网络,即空间染色注意力网络SSANet。该网络结合染色分离技术,提出了空间染色注意力机制,使网络能够关注图像中经过染色的细胞核和细胞质区域。SSANet首先使用自适应颜色反卷积提取染色分离图像,然后在训练期间利用染色分离图像激活空间染色注意力机制,最后使用线性分类器进行分类。经过实验,SSANet在CRC-HE数据集上和Break His数据集上的分类性能优于其他模型。3.针对全切片组织病理图像的病变区域检测任务,提出了基于SSANet的病变区域检测方法。该方法将上述SSANet应用在病变区域检测任务上,并将像素分割问题转化为小图块分类问题,仅使用部分小图块标签即可实现病变区域检测。该方法首先训练SSANet,然后使用训练完毕的SSANet预测测试集小图块,最后使用小图块预测结果生成高风险病变区域热图。实验表明,该方法能够有效检测全切片组织病理图像中可疑的病变区域。综上所述,本文从组织病理图像的多样性和复杂性出发,针对上述任务中存在的问题,提出了具体的解决方案。实验结果表明,本文方法在相应任务中的表现均优于同类方法。