慢性肾脏疾病大致分为原发性和继发性肾脏疾病,其中又可以分别将其划分为更多的肾脏疾病,例如Ig-A肾病、狼疮性肾炎等等。然而对于不同慢性肾病的诊断以及治疗方案的选择都需要病理医生对肾脏中不同的肾小球和肾小管病变PEG300溶解度进行分析与评估,例如硬化、新月体、肾小管萎缩等。因此,实现肾脏全穿刺图像上的多类肾小球和多类肾小管的分割将极大地提高病理医生对于慢性肾脏疾病的诊断效率。为了实现全穿刺图像上肾小球与肾小管的分割,本文针对性地设计了不同的分割流程。对于多类肾小球分割,本文提出了“先定位,再分割”的策略,首先对全穿刺图像进行肾小球的定位,在肾小球检测过程中加入了基于样本量均衡的参考框聚类算法,为网络提供了更具代表性的参考框尺寸。实验表明,使用了新的参考框聚类算法的目标检测网络对于完整图像上的肾小球检测查全率、查准率和检测框平均IOU分别达到了0.865、0.789和0.765,与多个网络相比都有更加出色的表现。对于肾小球的多类分割,本文提出了一种双任务分支的语义分割网络,将分割流程与分类流程拆分,保证了肾小球分割结果的完整和统一,同时创造性地加入了一种在多分类任务中解决样本不平衡问题的损失函数。实验表明,本文提出的网络与损LY294002纯度失函数在多个中心的数据集上都取得了最佳的结果并具有较强的鲁棒性和泛化能力。平均分类accuracy和F1-score在三个中心上都有最优结果(中大医院:0.9、0.78;外部验证集:0.82、0.64;鼓楼医院:0.853、0.693),平均分割IOU也高于其他网络。对于多类肾小管分割工作,本文根据病理医medical photography生的实际需求,肾小管的分割仅在肾脏图像中的皮质部分进行,因此构建了皮质、髓质、背景分类网络,正常肾小管和萎缩肾小管的分割网络。在多类肾小管分割网络中,本文提出了一种新的多类分割损失函数,该函数避免了特殊情况下损失值与实际结果相反的问题,同时使得网络在反向传播的过程中确保参数更新反映实际预测结果。实验表明,本文提出的组织分类网络在三种组织上的准确率达到了0.983。本文提出的损失函数对比其他损失函数,对两种类型的肾小管分割IOU达到最佳,平均IOU达到了0.659。本文提出的基于肾脏全穿刺图像的肾小球、肾小管分割模型,立足于各个组织结构特性与病理医生的实际需求。模型得到的分割结果能够极大得便于病理医生对于不同结构病变的分析与判断,最终能够提高诊断效率。