病理诊断是很多种疾病诊断的金标准,癌症的确诊同样依靠病理图像结果的支撑,病理图像的细胞检测对于癌症诊断、评级、预后具有重要意义。尽管基于深度神经网络的全监督的病理图像细胞检测已经取得了很好的效果,但是全监督的网络模型要求对病理图像进行像素级的标注,其标注量巨大且标注成本过高。同时病理图像中细胞会因染色和成像不同而呈现差异,导致传统细胞检测模型难以适用于不同类型染色的病理图像。针对目标域数据集存在标注样本太少或标注缺失的问题,本文考虑通过引入多种染色数据集来弥补标注缺失问题,但现有的全监督模型仅能在单一染色病理图像上进行细胞检测,不能实现跨染色数据集的训练。为了解决以上问题,本文引入迁移学习的方法。对于标注缺失的数据集本文提出了基于迁移学习的无监督病理图像细胞检测方法。对于含有少量标注数据集来说,设计一个半监督的迁移学习方法来检测病理图像细胞。其内容如下:1、本文设计了基于迁移学习的无监督病理图像细胞检测方法,该方法是无监督域自适应的端到端对抗学习模型,用于细胞检测。即将不同染色病理图像相互转换模块和细胞检测模块合并为一个端到端模型,以实现准确性的相互制约。此外,本研究提出了一种跨域一致性损失,该损失可以同步修改图像转换和细胞检测的结果。比较实验的结果表明,本文提出的方法对比于其他方法达到了最佳性能。2、本文设计了基于迁移学习的半监督病理图像细胞检测方法,该方法是基于交叉一致性的半监督语义分割方法在域适应上的应用。一致性训练是在聚类假设下利用未标注数据的强大半监督学习框架,该方法使用可用的标注数据以监督的方式训练共享编码器和主解码器。为了利用未标注的数据,本文在主解码器预测和辅助解码器的预测之间保持一致性,以编码器输出的不同干扰版本为输入,从而改善了编码器的表示形式。实验结果表明,本文提出方法的性能优于少量标注数据的全监督方法性能。