数字病理技术利用经过数字化的病理样本显微图像及其特征，并配合人工智能技术，实现生物组织病变特征的定量评估和判定，辅助临床医生做出诊断结论。利用偏振光照明和偏振探测可以实现全偏振成像，图像每个像素的偏振特征都包含更加丰富的信息，特别是普通光学成像难以获得的亚细胞超分辨微观结构特征信息，可为病变组织的识别和定量评估提供更为有效的手段。本文总结了全偏振成像技术，并结合典型临床应用归纳总结了全偏振显微图像的数据分析方法和最新进展。

人类表皮生长因子受体-2（HER2）的异常扩增会导致癌细胞的过度增殖和肿瘤恶化。在采用常规光学显微成像技术检测扩增水平较高的乳腺癌细胞HER2基因时，荧光原位杂交探针的荧光信号斑点呈簇状分布，难以精确计数。应用结构光照明超分辨成像技术对HER2基因荧光原位杂交的病理切片进行成像，从而分辨距离较近的荧光探针。通过大视场扫描成像和图像拼接，对数百个细胞进行成像和统计分析，提高了高扩增水平病理切片上HER2探针计数的准确性。

宫颈异常细胞与正常细胞在形态上存在较大相似性且细胞尺寸变化较大，这使得宫颈异常细胞的精准检测变得非常困难。鉴于此，开发了一种基于Transformer模型的宫颈异常细胞自动识别模型，以帮助病理学家作出更准确的诊断。提出了两种创新性方法，一是一种改进的Transformer编码器结构，通过引入深度（DW）卷积来高效获取图像的特征，捕捉图像中的全局依赖信息；二是自适应的动态交并比（IOU）阈值，在模型训练的不同阶段使用不同的IOU阈值，实现尽可能多的有效检测，提升模型的收敛速度和检测精度。在宫颈异常细胞数据集上，通过消融实验，证明了改进的Transformer编码器和动态IOU阈值的有效性。此外，与已有的宫颈异常细胞识别方法相比，所提出的方法在平均精度指标上有明显的提高。实验结果表明，所提出的方法能够高效且准确地识别宫颈异常细胞，且能辅助病理专家提高诊断准确率和效率，具有应用到临床的潜力。

宫颈异常细胞特征细微难以提取、小目标容易漏检、细胞边界回归不准确导致异常细胞检测精度不高，鉴于此，本文提出了一种结合注意力的全尺度特征融合RetinaNet（AFF-RetinaNet）宫颈异常细胞检测算法。首先，采用ResNeSt-50作为特征提取网络提取宫颈异常细胞的细微特征；其次，引入平衡特征金字塔（BFP）结构，对所有特征层进行全尺度融合，增强小目标的语义信息，并利用BFP中的非局部注意力模块获取图像的全局信息，以进一步增强特征空间的语义信息；最后，采用CIoU Loss作为回归分支的损失函数，以提高对异常细胞边界回归的准确率。另外，针对实际应用场景，基于AFF-RetinaNet算法实现了全视野宫颈细胞病理学图像（WSI）推理流程，并基于该推理流程对WSI中的异常细胞进行了检测。AFF-RetinaNet在宫颈异常细胞数据集上的平均精度均值（mAP）为83.4%，其中对小目标的mAP值（mAP-s）达到了24.4%，相较于基准RetinaNet算法分别提高了3.2个百分点和10.8个百分点。基于AFF-Retina的WSI推理结果在感兴趣区域中的mAP为70.8%。实验结果表明：AFF-RetinaNet算法可以增强对小尺寸异常细胞的检测能力，有效提升宫颈异常细胞的检测精度。基于AFF-RetinaNet的宫颈WSI推理流程可辅助医生快速定位高分辨率宫颈WSI中的异常细胞，有望减轻医生的阅片负担。

深度学习使辅助诊断的软件能够更积极有效地开发和应用，但是组织病理学图像的颜色变化降低了这些算法的性能。染色归一化可以解决扫描仪效应、不同的染色方法、患者的疾病状态、染色时间等因素产生的图像异质性。虚拟染色可以摆脱载玻片染色，减少载玻片的制备步骤，为临床缩短样本的制备时间，节省大量的成本。在缺乏注释训练数据的情况下，病理图像数据增强可用于创建具有纹理和颜色、样式逼真的人工样本来促进网络训练。本文就组织学病理图像在深度学习病理分析中染色处理的染色归一化、虚拟染色和数据增强等方面展开综述，为组织学病理图像在临床上的应用和研究提供参考。

光声成像和激光诱导击穿光谱技术(LIBS)是近些年在成像领域发展非常迅速的两种技术, 在医学影像学方面有着巨大的潜力。当激光照射到组织时, 组织表面会同时产生光声信号和等离子体, 光声信号携带着生物组织内光吸收的特征信息, 等离子体特征光谱也可以示踪组织内的元素信息。本文总结了两种技术的研究背景和成像原理, 然后, 通过对光声成像和LIBS成像模式进行分析, 进一步展现了两种技术结合的可能性, 并介绍了它们在病理切片成像和组织金属元素示踪等领域的应用。最后, 我们对两种技术结合的双模态成像系统进行了深入的探讨和展望, 以期其在医学诊断和图像领域发挥重要作用。