病理图像的细胞核分割对于癌症诊断、评级、预后具有重要意义,尽管基于深度神经网络的全监督的病理图像细胞核分割取得了瞩目的成绩,但是基于全监督的神经网络分割要求对病理图像进行像素级的标注,标注量巨大,标注成本过高。而且由于不同组织的不同癌症的病理图像的细胞核在颜色、形态上等存在差异,跨病种跨组织的病理图像分割也是一个巨大挑战。本文提出一种基于检测框的弱监督的跨组织的不同癌症的病理图像细胞核分割框架,该方法首先运用水平集、图割、分水岭方法、测地线距离昂发、直接画圆和框的6种方法生成伪标签,伪标签的生成结果表明水平集方法、直接画圆和框能取得很好的结果,与精标注的数据相比,其中水平集方法达到dice=0.8790的精度。其次,我们对比了fcn、deeplabv3+、unet等6种网络结构在不同组织的癌症的病理图像细胞核分割结果,提出了我们自己的分割网络DB-unet,分割结果表明在参数量更少的情况下,我们的网络基本达到全监督分割的最好结果。之后,我们运用DB-unet和生成的伪标签进行弱监督下的不同组织的癌症的病理图像细胞核分割,其中结果表明水平集方法和测地线距离的方法的结果最好。最后我们选择最好的三个网络和最好的伪标签,运用集合的方法去迭代融合伪标签,我们运用不同网络和不同的伪标签去训练和产生结果,将产生的结果与原伪标签相加,得到最终融合伪标签,融合伪标签的dice精度达到0.8922,最终用融合的伪标签训练去本文提出的DB-Unet,训练的网络基本达到了精确标注的标签训练的网络同等的精度。结论:在本文提出一种基于检测框的弱监督的跨组织的不同癌症的病理图像细胞核分割框架下,细胞核的分割基本达到全监督分割结果,这大大降低了数据的标注成本,同时也为细胞核分割提供新思路。