甲状腺癌症患者人数呈逐年上升的趋势,其早期发现和精确诊断对于治疗至关重要。病理诊断是甲状腺癌症早期诊断的金标准,常用诊断方式为:通过甲状腺细针穿刺活检方法,获取细胞组织,制作病理切片。病理医生使用高倍显微镜观察组织病理切片,通过细胞种类、数量、形态、位置信息和组织结构对病变位置进行分析,往往需要经验丰富的病理医生才能做出精确的诊断,过程复杂且主观性强。数字病理学使用全切片数字扫描技术对整个细胞病理学玻片进行数字化处理得到高分辨率图像,既提高了医生的诊断能力,减少了病理医师因技术差异而引起的误诊,还能实现远程病理会诊和信息共享,实现数字化病理切片的管理。然而,日益增长的分析诊断需求仍然凸显了病理学医生资源紧张、工作繁重、繁琐、重复性强等问题。因此,如何结合人工智能技术,减少病理学医生的工作量,提高甲状腺癌症诊断的客观性及准确性,实现甲状腺癌病理的自动辅助诊断是亟待解决的关键问题。针对该问题,本文基于深度学习进行了甲状腺癌病理图像自动分级方法研究。Efficientnet-B0网络越来越多地用于高质量和快速图像分类,其训练速度比其它网络快得多,但其SE-Net注意力机制仅仅关注通道间关系,而病理图像的分级显然更关注细胞的位置信息。针对这一缺点,本文在Efficientnet网络的基础上结合了CA-Net注意力机制,在关注通道关系的同时还关注了细胞的位置关系,有助于网络更准确地定位感兴趣的目标。通过实验证明,该方法显著增强了模型的分类性能,在自建的甲状腺癌数据集上取得了较高的分类准确率。研究甲状腺癌病理图像自动分级课题的研究者较少,且几乎没有公开的甲状腺癌数据集可供深度学习网络训练。针对这一问题,本文制作了甲状腺癌数据集。从上海市第六人民医院临港院区病理科获得了甲状腺癌原始病理样本切片,扫描成数字病理图像之后裁剪成补丁级别的图像块。为了凸显细胞及其边缘的细节特征,对图像块进行了伽马矫正。实验结果显示,伽马矫正提高了病理图像的分级准确率。裁剪后的病理图像仅有6000多张,完全无法满足基于深度学习的自动分级数据量需求,因此本文通过水平翻转和垂直翻转等随机变换对数据集进行扩充,使得数据集扩充了3倍,提高了网络的准确率和鲁棒性。基于深度学习的甲状腺癌病理图像分级方面的研究缺乏足够多的研究成果。因此,本文对Efficientnet-B0各项参数进行了测试对比,以选择合适的参数最大限度地提高网络模型性能。鉴于优化方法是深度学习算法中极其重要的组成部分,本文对优化算法进行了对比实验,理论和实验都证明了Adam自适应算法的优良性能。针对神经网络的学习率和批样本数量等参数进行了横向对比实验,从损失值、准确率、召回率和特异性等参数指标进行综合衡量,最终得到训练甲状腺癌数据集的最佳参数设置。