病理医生对病理切片图像的分析主要是确定器官中是否含有癌变组织、癌变组织的位置分布，以及不同位置癌变组织的恶化程度。利用医学图像处理的方法准确判断该图像是否含有癌变组织，即实现了癌症病理切片图像关于有癌无癌的分类；快速地识别出病理切片图像中的癌症组织并显示出来，即实现了癌症病理切片图像关于癌变组织的分割；根据分割出来的癌变组织利用其不同的病理特征还可以进行癌症类型的分类和癌症的分化程度的分类。该方法可替代病理医生的临床检查过程，大大提高癌症诊断的效率，并缓解医疗资源分布不均的问题，具有重要的社会和研究价值。因此本论文主要研究能对病理切片图像进行自动分类和分割的算法。

病理切片图像的标注会存在许多困难，例如有时临床医生也难以确定一些癌症的组织边界。同时，精细地标注病理切片图像中的病变组织是一项耗时又耗力的工作。针对上述问题，本论文将研究在未细标注的图像中获取图像中癌症区域信息的算法。弱监督策略为我们提供了思路，该策略只需要人类专家对大量训练图像简单地标出每张图中是否有癌症存在，算法即可自动学习到每张图中癌症组织位置的详细信息，并将有癌图像分割为许多图像子块，根据其中有癌图像子块的位置分割出癌症组织。而多实例学习策略可以仅用图中是否有癌症组织这一信息，训练分类器对整幅图进行有无癌症的分类，同时可计算输入图像子块包含癌症组织的概率，根据此信息确定有癌图像子块，进而实现分割。因此本论文提出了多实例学习算法，同时进行分类和弱监督的分割。

本论文的主要贡献分以下三个方面：(1) 弱监督学习的分类：正常组织的图像中只有正常的细胞，而癌变组织的图像中既有正常的细胞，又有癌细胞，根据这一事实研究弱监督学习的分类方法，能获得很好的分类效果。(2) 弱监督学习的分割：利用分类的结果，通过判别图像中每一个小区域是否属于癌症区域来实现图像的分割。(3) 弱监督学习的聚类：进一步利用分类的结果，判断每个癌症区域所属的癌症类别。

本论文的工作将会把每种癌症的训练模型上传到云资源中，医生只需要将病理切片图像上传到云上，模型便可根据上传的图像自动给出病理诊断结果，可以有效解决我国医疗资源匮乏的情况。