乳腺癌是一种常见的女性癌症,也是导致女性死亡的主要疾病之一。目前,大多数病理医生诊断乳腺癌病症是通过目测法观察显微镜视场下病理切片图像中癌细胞的状态从而实现病理分级。然而,病理医生工作强度大,该方法检测识别癌细胞准确率受病理医生精神状态影响,因此这种方法具有很大的主观性。因此,本文提出了一种计算机辅助诊断方法辅助病理医生检测识别两种染色方式下乳腺癌病理图像中的乳腺癌细胞。首先Biofouling layer,针对现有显微成像系统体积大、造价昂贵的不足,本文设计了一款便携式癌细胞显微成像系统用于采集乳腺癌病理细胞图像。本文选用USAF-1951分辨率测试板测试系统成像性能,测试结果表明本文设计的成像系统辨率达到2.19μm;随后与病理细胞的形态大小进行对比,结果表明本文设计成像系统可以实现乳腺癌细胞图像的采集。本文设计系统优点在于:成像系统体积结构远小于现有显微成像系统并且体积仅有20~3cm~3;与高端显微成像系统上万元成本相比本文设计系统成本大大降低。其次,针对单彩色空间下提取免疫组织化学法(Immunochemistry methodBAY 73-4506纯度,IHC)染色的乳腺癌细胞图像特征不足以精确的完成乳腺癌细胞检测分割任务,本文提出了基于融合多通道色度特征构建特征方程的方法实现乳腺癌细胞的检测分割。该方法首先将IHC染色的乳腺癌细胞图像进行预处理并裁剪出不同的乳腺子样本细胞图像;随后统计子样本在不同通道的色度分布信息并加以分析,依据分析结果构建色度特征方程从而实现乳腺癌细胞的检测GSK126抑制剂分割;最后,采用基于连通域的方法将检测识别出的乳腺癌细胞进行计数。经过实验表明本文提出改进算法比未改进算法准确度提升了3.6%。最后,因核分裂象与非核分裂象细胞表现差异小,传统的图像分割方法很难提取足够特征,因此本文针对乳腺癌核分裂象细胞图像检测分割方法展开研究,随后选用Unet为框架提出基于注意力机制和残差结构组成的网络MCSA-Unet,该网络结构解决了Unet网络在训练过程中因提取特征不足导致乳腺癌核分裂象细胞图像分割精度不佳的问题。又因现有公开的核分裂象细胞数据集很少且均为弱标注,该数据集虽具权威性但并不适合本文提出网络模型。因此本文将采用显微成像系统采集乳腺癌核分裂象细胞图像并由病理专家完成核分裂象细胞的标注;随后,本文将标注完成的乳腺癌核分裂象细胞图像制作成数据集为后文算法验证提供数据支撑。由于本文提出网络算法为语义分割模型,因此本文采用Dice以及平均像素准确率(Mean Pixel Accuracy,MPA)等指标作为MCSA-Unet网络的评价指标,通过实验可得,本文提出算法MPA和Dice指标分别为0.74和0.84。