乳腺癌是女性发病率和死亡率最高的恶性肿瘤,新辅助化疗是治疗乳腺癌的有效手段,有利于缩小肿瘤、降低肿瘤分期,将无法手术的肿瘤转化成可手术的肿瘤,提高患者无病生存率。临床医生根据自身经验以及患者的分子分型预估患者是否需要进行新辅助化疗,主观性较强且无法针对单一患者准确预测其化疗后的病理缓解程度,易导致化疗无效后患者错过最佳治疗时机。因此,本文旨在利用计算机图像处理技术对乳腺癌患者新辅助化疗前的全景穿刺图像进行定量化分析,预测患者新辅助化疗病理缓解程度,进而为医生对单一患者的诊断治疗提供客观依据。第一个工作中,本文构建基于深度学习的乳腺癌全景穿刺图像的肿瘤区域和细胞核分割模型。在肿瘤区域分割上,运用了骨架网络为Res Net101的UNet++网络训练肿瘤区域分割模型,取得较好性能。在细胞核分割上,本文提出基于残差单元和正负注意力模块的UNet网络,该网络可以更好地关注细胞核区域信息和非细胞核区域信息,在独立测试集上准确率达到0.9471,实现了细胞核的准确分割。第二个工作是在第一个工作的基础上提取组织形态学定量特征,构建新辅助化疗疗效预测模型。具体而言,本文应用第一个工作中的分割模型对临床370张全景穿刺图像进行肿瘤区域分割和细胞核分割,并基于分割结果提取肿瘤区域全局特征和细胞核局部特征共868维,其中全局特征集包含了全景图像的肿瘤区域分布和形态信息,图像块肿瘤区域内细胞核的纹理、分布、形态则用于表征局部特征。进一步地,本文基于m RMR、Wilcoxon、Relief、Fisher特征选择方法和RF、LDA、KNN、SVM分类器模型在三类分子分型上进行组合建模以预测患者新辅助化疗疗效。独立测试集上的实验结果表明,本文提出的新辅助化疗疗效预测模型在HER2和Luminal B（Her2+）型以及TNBC型患者层面分别取得了0.7564和0.8261的AUC值,相比图像块层面的结果具有更好的预测效能。此外,特征选择实验结果发现,细胞核像素特征和灰度值变换的微观特征在新辅助化疗疗效预测中至关重要。本文对乳腺癌患者全景穿刺图像定量分析,提取肿瘤区域全局特征和细胞核局部特征构建新辅助化疗疗效预测模型。该模型较好地预测了患者新辅助化疗的病理缓解程度,为医生判断乳腺癌患者是否需要进行新辅助化疗提供客观依据。