目前,甲状腺癌症已经成为世界上癌症发病率增长最快的癌症之一。对甲状腺癌进行早期诊断可以显著降低患者死亡率,借助甲状腺穿刺细胞病理WSI进行病理观测是进行早期诊断最为有效的方式。然而,在甲状腺穿刺细胞病理WSI中,有效诊断滤泡区域面积占比极小且分布散乱,微小病灶和早期病灶易漏诊。随着病例数量急剧增多,病理医生面临着工作压力增大及误诊率升高的风险,因而研究高准确度甲状腺自动细胞病理诊断技术意义重大。据调研,现阶段的自动甲状腺细胞WSI病理诊断较少,且需要大量精准的局部诊断结果标注,耗费大量人力且诊断准确率较低。本文以真实的临床甲状腺细针穿刺细胞病理WSI为实验数据。首先进行病理图像的关键区域定位,计算机无法对WSI直接处理且WSI中空白背景区域占比高,有效的滤泡细胞区域分布极少。针对上述问题,本文提出了一种规范的WSI处理流程,即对WSI的缩略图进行降噪、Otsu阈值分割和裁剪以去除空白区域,再对原WSI剩余图像进行滤泡细胞区域细分割处理,将无效诊断区域图像筛除。其后,每张WSI保留下所有含有滤泡区域的小图像,此时数量仍然较多且滤泡区域形状大小不一,滤泡细胞交叠混杂,对这些小图进行精细的诊断结果标注十分困难。为解决此问题,本文设计了基于深度神经网络的多示例诊断框架,无需对每个小图进行诊断结果细标注,以每张WSI为单位随机抽取若干张不同的图像作为一个数据包送入网络,修改VGG-Net,ResNet,ResNeXt等结构为基础分别作为图像特征提取器,引入并设计了三种不同的多示例池化方式进行实验,并对实验结果进行了验证。之后,为充分利用有效的特征信息,提升诊断准确率,引入了针对多示例框架的Attention机制,分别在特征级别、示例级别加入Attention模块,后续又设计了类FPN结构模块,以充分改进特征提取性能,通过验证可以发现这些模块提升了诊断的准确率,达到了预期效果。