胃癌的发病率和死亡率都位居各种癌症的前列,是一种世界性的疾病,给很多人的正常生活带来严重影响。胃癌在早期症状不明显,相当多的病例在确诊后已经延误了最好的治疗机会。据统计,如果胃癌患者在早期便能够被发现,五年内的生存率可达80%以上甚至90%,但如果到中期甚至晚期才被发现,五年生存率则会大大下降。随着人们对于健康的重视程度不断提高,对胃癌的检查已经成为人们越来越重视的项目,但随之而来的是急速增长的病理切片数据量。相比于MRI、CT等其他医学图像,病理图像容易有误诊或漏诊,而病理诊断作为癌症诊断中最可靠的手段,对医生的要求更加严格。当前使用计算机进行辅助诊断在病理诊断领域已经有了 一定的进展,但这些研究多是采用较为传统的方法,人工提取特征对操作人员的医学专业知识有较高的要求。同时,使用计算机来进行医疗诊断在胃癌病理方面也鲜有研究。病理图像的最终成像效果受制片过程中各种因素的影响大,给计算机辅助识别带来了额外的困难。为解决上述困难,达到使用计算机进行病理辅助诊断的目的,本课题的工作主要有以下三个方面:第一,探究对胃癌病理数据处理的可行方法,尝试各种不同的图像处理方法来降低病理图像制片过程中各种环境因素对最终成像效果的影响并增强数据中的有用特征,为后续的分类和分割工作提供更加有效的数据。同时研究和分析病理图像所对应的SVG格式标注数据,并设计算法从SVG文件中直接提取并生成可用的标签图像。最后,通过一定的增强方法构建出可供神经网络直接使用的训练集。第二,训练卷积神经网络模型,完成对胃癌病理数据的自动分类任务。先使用数据集对AlexNet和GoogLeNet分别进行训练,并根据实验结果对GoogLeNet进行了优化,从而在保证诊断效果的前提下有效降低了计算资源需求。然后,提出一种模型融合的思想,通过设计一种并行的卷积神经网络结构,对AlexNet和GoogLeNet两种模型进行融合,综合不同结构的深度学习模型进一步提高了胃癌病理图像分类的性能。第三,训练全卷积网络模型,实现对胃癌病理数据的语义分割。基于端对端网络的思想,提出了一种使用多种尺度进行数据输入的全卷积网络模型MIFNet,并设计了有效的多尺度特征图融合策略,用于将多个不同输入产生的特征矩阵融合到一起。然后,用实验效果证明了 MIFNet相比于U-Net、SegNet和PSPNet等在胃癌病理图像分割任务上更具优势。本文将深度学习技术应用到胃癌病理图像识别中,使用卷积神经网络技术完成对胃癌病理数据的分类与分割任务,通过实验证明了本文所提出的算法能够取得很好的效果和较高的可靠性,可以帮助医生更有效的对胃癌患者做出及时准确的诊断,具有较强的现实意义。