乳腺癌是全世界女性发病率最高的恶性肿瘤,死亡率为6%左右。与其他的恶性肿瘤相比,乳腺癌预后较好,如果能够做到早发现、早诊断、早治疗,治愈率可达96%以上。乳腺淋巴结转移的分期阶段是乳腺癌诊断的重要组成部分,目前在临床中人工病理诊断淋巴结癌转移主要依赖显微镜,不仅繁琐、耗时、费力,而且可重复性低,诊断结果具有较强的主观性,易受经验和环境等因素影响。近年来,计算机组织学诊断已经成为医学图像计算领域发展最快的方向之一。但由于病理图像尺寸巨大,且具有高度的复杂性,使得针对病理图像的分析仍然是一个极具挑战性的研究课题。本文提出的基于乳腺前哨淋巴结全景图像计算的自动分期方法能够提供一套标准化、高准确率和可重复性的客观诊断结果。然而在高度复杂的淋巴结全景图像中自动检测和定位癌转移区域具有很大的难度。本文基于滑动窗提出了一种新颖深度网络训练策略用来训练关于癌转移区域的自动定位模型。该训练策略首先在较小数据量中训练初始卷积网络,提取假阳性和假阴性的图像块,接下来用人工筛选结合网络自动筛选的方式将假阳性块再分类,用来提高阴性类别的类间差,并且使用旋转、镜像以及H&E染色变换等数据增强方式来提高模型的鲁棒性,最后训练网络层数较深的深度卷积网络来实现图像块的自动分类。在图像测试阶段,首先通过预处理去除白色背景区域,然后基于滑动窗和深度卷积网络对癌转移区域自动定位,得到关于癌转移的概率热值图。接下来,提取与病理医生阐述相一致的病理组学特征,训练随机森林分类器用来预测癌转移的类型,最终根据患者多张淋巴结切片的预测结果来确定最终的分期值。本文在测试集上,图像块的分类准确率达到0.94,癌转移区域定位任务上的FROC得分达到0.9464,判断全景图像是否是癌转移的AUC值达到0.96。分期任务上五类二次加权kappa系数达到0.8192。此外,本文还设计了一套乳腺淋巴结全景图像自动分析的软件系统,可以帮助病理医生快速定位到疑似癌转移的区域,并给出癌转移的可疑类型,从而辅助病理医生给出相应的分期值。