乳腺癌是目前严重威胁女性健康的重大疾病之一,且其发病率越来越高,发病群体呈年轻化趋势。基于病理图像的组织病理学检查是诊断乳腺癌的重要依据,而对乳腺癌的早期诊断则是提高治疗成功率的关键。由于病理图像具有维数大、复杂性和多样性等特点,导致乳腺癌病理图像阅片门槛高、耗费时间长。此外,由于不同病理学家对组织和细胞特征评判标准的主观性和个人水平差异,导致不同诊断结果之间的一致性较低。数字病理和计算机技术的快速发展使得基于乳腺癌病理图像的辅助诊断方法成为研究热点。因此,本文针对乳腺癌诊断过程中的实际需求,对乳腺癌病理图像良恶性分类、浸润性乳腺癌细胞核异型性指标评估、浸润性乳腺癌有丝分裂数指标评估等问题开展研究,提出了基于机器学习及相关技术的乳腺癌病理图像分析与病变辅助判别方法研究。论文的主要工作和创新点如下:(1)研究了乳腺癌病理图像良恶性分类方法。针对乳腺癌病理图像复杂多变、传统图像处理方法难以有效提取和组合特征导致分类准确率较低的问题,研究了基于卷积神经网络的乳腺癌病理图像良恶性分类方法。该方法利用卷积神经网络自动组合特征实现图像分类,并基于迁移学习的方法,利用卷积神经网络在大型自然数据集上的训练权值作为分类模型的初始训练权值,解决了模型从头训练收敛难度大的问题,验证了将自然图像知识迁移到医学病理图像的可行性,取得了较高的分类准确率。(2)研究了浸润性乳腺癌细胞核异型性指标的评估方法。针对现有基于感兴趣区域分割和人工特征的浸润性乳腺癌细胞核异型性指标评估方法特征设计繁琐、通用性不高的问题,提出了基于融合策略的细胞核异型性指标评估方法。首先提出了基于卷积神经网络的细胞核异型性指标评估方法,直接预测目标病理图像的细胞核异型性指标评分。随后提出了通过预测局部标签对目标病理图像的细胞核异型性指标评分的方法。最后,针对单一模型预测倾向性重、稳定性差的问题,使用融合策略将两种方法结合,在MITOSIS-ATYPIA-14测试集上取得了比单一方法更好的效果。(3)研究了浸润性乳腺癌有丝分裂数指标的评估方法。针对现有基于统计、形态、纹理等人工特征进行有丝分裂细胞检测方法特征设计难度大、小细胞检出率低、假阳性高的问题,提出了基于特征金字塔网络和分类验证模型的有丝分裂细胞检测方法。该方法利用特征金字塔网络实现多尺度特征融合用于有丝分裂细胞检测,并基于分类验证模型剔除非有丝分裂细胞,在MITOSIS-ATYPIA-14测试集上取得了较高的准确率和召回率。此外,针对非逐像素标注的有丝分裂细胞数据集难以确定有丝分裂细胞有效区域的问题,提出了利用现有逐像素标注数据集的有丝分裂细胞标注模型。全文面向乳腺癌病理诊断过程中的实际需求,研究了乳腺癌病理图像良恶性分类方法、浸润性乳腺癌细胞核异型性指标和有丝分裂数指标的评估方法,可以为病理学家实际诊断提供帮助,减轻劳动负担,具有潜在的应用价值。