病理图像是一种重要的医学图像,它被广泛地运用在临床诊断和医学研究中。与CT、超声等医学图像相比,它能提供细胞级的诊断信息,其分析结果更加可靠,在许多恶性疾病的诊断中扮演着“金标准”的角色。然而处理和分析病理图像是一件非常耗时、枯燥的工作,需要消耗医师大量的精力。因此,使用计算机技术自动化病理图像的诊断与分析过程显得尤为重要。数字病理学是一门专门研究病理图像的数字化与自动化分析的学科。本文的主要研究对象为组织病理图像的细胞计数问题。细胞的精确计数问题是数字病理学的重要研究方向,是病理图像量化分析的一部分,在临床诊断和医学研究中都发挥着关键的作用。病理图像的处理与分析往往要面对数据稀缺,图像类别多,计算代价大等问题,是非常有挑战性的任务。目前关于细胞定位与检测技术的研究虽然取得了一定成果,但仍然存在着许多的问题和不足,在精度、效率和泛化能力上都有着巨大的提升空间。为了解决上述问题,充分挖掘深度学习技术在病理图像处理领域的潜能,使研究成果能够真正地满足现实医学场景的种种需求,本文主要做了以下几方面工作。首先,本文将细胞计数问题转换为结构回归问题,借鉴深度学习分割模型的思想,针对细胞计数问题,设计了一种轻量级的深度神经网络模型LC-Net。该模型借鉴了Unet融合不同深度的语义特征的思想,并采用了多尺度卷积模块,使得模型更加精简高效。与主流的基于深度学习的计数方法相比,处理速度更快,精度也更高,同时参数量也小于一般的分割模型。本文还针对模型误检率高的问题,设计了color＿penalty损失项。color＿penalty利用图像的颜色信息,结合传统图像处理方法,对图像伪前景部分的响应进行了抑制,使模型更好地学习细胞的形态学特征,有效地避免了模型过拟合的情况。最后,本文在多个数据集上进行了实验,LC-Net在MBM数据集上取得了4.9±1.2的计数误差,F1值为0.86;在CRC数据集上取得了0.81的F1值。本文还在肝癌病理图像数据集上进行了泛化性能实验,使用有限的非专业标注信息,得到了与标注均值接近的计数结果。实验结果显示,本文提出的方法在多个数据集上都有着优秀的表现,得到了和主流的计数方法相比有竞争力的计数结果,也显示出了方法在计算效率上的优势。总体而言,本文提出了一种高效的泛化能力强的细胞计数解决方案,展现了运用于实际医学场景的可能性,也为后续研究提供了一些思路。