(1 北京航空航天大学计算机学院，北京 100083; 2 青岛大学附属医院，山东省数字医学与计算机辅助手术重点实验室，山东省高等学校数字医学临床诊疗与营养健康协同创新中心； 3 北京建筑大学电气与信息工程学院)

随着计算机视觉技术与存储技术的快速发展，研究人员已经在医学影像领域提出了很多基于图像的分析、辅助诊断工具，例如自动并且高效地完成一些常规的病理图像分析任务，或精确地对一肿瘤组织给出定位或病理等级等等。近年来，随着深度学习技术特别是卷积神经网络(CNN)模型在目标检测以及分割方面的发展，基于CNN的方法连续在MICCIA的病理全切片肿瘤细胞识别挑战赛中取得了很好的成绩[1]，CIREGAN等[1]基于CNN的概率图加后处理技术实现了对乳腺癌病理图像有丝分裂细胞的检测，借助非极大值抑制(NMS)提升最终的检测效果。DONG等[2]提出了一个9层的CNN结构，基于图像的YUV色彩空间信息对斑马鱼细胞进行探测。MAO等[3]提出了一个基于7层CNN的探测方法，并实现针对圆形肿瘤细胞的不同模态显微图像的探测。有学者将细胞检测问题转化为逐级优化问题，并实现了对神经细胞和肺癌细胞核的探测[4]。全切片技术可以对细胞进行多尺度成像，SONG等[5]针对此类细胞图像提出了一个多尺度CNN框架，从而实现了对细胞的多尺度交叉探测。本研究提出了一种基于U-Net的乳腺癌淋巴结病理切片中的细胞检测方法，用以辅助医生进行乳腺癌细胞的筛查。现将结果报告如下。……