[摘要]目的使用无监督 的方式进行图像分割，作为人工标记的一种替代。方法选取 了共100张HE染色和巴氏 染色切片的全片数字化图像( whole slide image, WSI)数据作为研究和测试的对象，其中乳腺切片70张，肺切片20张，甲状 腺切片10张。为了保证数据的多样性，乳腺的切片包含了正常组织、炎症、肿瘤，肺切片取材主要为下叶新生物(包含了炎 症和肿瘤),甲状腺为细针穿刺的细胞(均为良性)。每张图像的最大总倍率(原始倍率)均为400倍，文件格式为ndpi。对每 张WSI进行人工的标注，每张WSI的标注区域都大于10个视野，标注后的信息将用于有效性的验证。使用基于超像素与全 卷积神经网络的算法构建无监督图像分割技术，对没有标记的WSI的任意感兴趣区域( regions of interest, ROI)进行图像分 割。与区域邻接图合并的方法进行比较，以欠分割错误差率、边缘召回率和平均交并结果比判定两种方法的分割效果，并 比较两种方法的效率。在执行效率的比较中，测试过程包含了超像素的预处理的时间，去掉了加载深度学习引擎的时 间。结果对WSI任意ROI区域按纹理和颜色对图像实现了无监督的自动分割，乳腺切片、肺切片和甲状腺切片测试的结 果差异小，多次测试的结果稳定，但该方法在对炎症和肿瘤的区分中表现一般。 其欠分割错误差率、边缘召回率和平均交 并结果分别为19.10%、82.06%和45.06%。区域邻接图合并的方法的欠分割错误差率、边缘召回率和平均交并的结果分别 为21.52%、78.39%和44.81%。在GPU模式下整个过程平均耗时为0.27 s,在CPU模式下平均耗时为1.30s.由于区域邻接图 合并的方法没有实现GPU模式，在CPU模式下平均耗时为10.5s。结论本 方法通过简单的人机交互操作得到理想的像素 级标注结果，可以有效降低数字病理切片数据标注的成本，比区城邻接图合并的方法在处理图像纹理的方面表现得更好， 处理速度更快。