病理检查是疾病特别是癌症诊断的金标准，与癌症的分级和治疗密切相关。传统的病理诊断过程是病理学家在显微镜下观察和研究组织切片以给出诊断结论。近年来，随着数字病理学诞生，病理切片能够保存为全切片数字病理图像，从而通过计算机辅助诊断方法进行诊断。过去几年来，大量的病理辅助诊断方法被提出并取得了良好的效果。然而，全切片病理图像同传统图像差异较大，其通常以多尺度的空间金字塔结构存储，包含在不同倍镜下扫描的图像，最大尺寸可达10万x10万像素。其高分辨率的特性致使主流的病理辅助诊断方法因需要应用切分采样的策略执行密集扫描而具有较大的计算量和运行负载，难以在实际临床中进行应用。当前迫切需要高效的解决方案，但是现有的研究在加速方面的工作较少且没有均衡优化资源消耗。因此，本文以实现精准且高效的病理诊断为目标，提出了一个新颖、快速且低资源消耗的病理诊断框架。

    本文的主要贡献归纳如下：

    1. 提出了一个略缩图分割与轻量化分类相结合的快速诊断模型。病理学家的检查模式和当前计算机辅助诊断的检查模式不同。前者聚焦于疑似肿瘤的感兴趣区域，后者则在应用切分采样的策略密集分析图像上的所有前景区域后给出诊断结论，整个过程非常耗时。本文模拟病理学家的检查模式，提出了一个全新的解决方案。该方案首先以高灵敏度的方式实现疑似肿瘤的感兴趣区域的分割，之后仅在这些感兴趣区域上应用高效的轻量化卷积神经网络分类模型以降低计算量和资源消耗，最终在速度、精度以及资源消耗三方面实现了综合优化。

    2. 提出了一个基于全卷积分类网络架构的快速诊断模型。上述提出的轻量化模型显著提高了推理速度、减少了资源消耗，但是其仍然具有在切分采样框架下由于应用卷积神经网络模型进行推理带来的重叠区域的冗余计算以及输入图像大小受限的问题。针对上述问题，本文针对整体解决方案进行统筹优化，基于提出的轻量化卷积神经网络分类模型进一步改进，设计了基于全卷积分类网络架构的快速诊断模型。通过充分利用全卷积模型进行高效的并行推理，本文提出的快速诊断模型突破了全切片病理图像诊断过程中的主要速度瓶颈，最大化地挖掘了速度提升的潜力，且在精度方面相比于改进前的卷积神经网络模型没有显著降低。

    3. 设计并构建了病理图像高效诊断原型系统。病理图像智能诊断能够突破传统病理诊断具有的耗时、耗力且一致性低的瓶颈。在上述研究成果的基础上，本文还构建了临床可用的智能诊断系统以快速给出肿瘤病灶区域的机器辅助诊断结果。针对不同的任务场景需求，能够辅助病理学家实现精准且快速的诊断。