Η διαχείριση της πληροφορίας που προέρχεται από εικόνες ιστοπαθολογίας μικροσκοπίου (βιοψίες) αποτελεί διεργασία υψηλής πολυπλοκότητας που αξιοποιείται για την εξαγωγή διαγνωστικών και προγνωστικών συμπερασμάτων από τον ιστοπαθολόγο. Η πολυπλοκότητα αυτή πηγάζει από τον τεράστιο όγκο βιολογικών οντοτήτων που περιέχονται στο δείγμα βιοψίας αλλά και στις μεταξύ τους πολυσύνθετες αλληλεπιδράσεις. Οι πιο σύγχρονες μέθοδοι τεχνητής νοημοσύνης προτείνουν εναλλακτικές προσεγγίσεις για την επίλυση των προβλημάτων υψηλής πολυπλοκότητας αυτού του τύπου. Ανάμεσα όμως στην είσοδο (δεδομένα) και έξοδο (αποτέλεσμα) των ‘έξυπνων’ υπολογιστικών συστημάτων, κρύβεται η μεθοδολογία και στρατηγική επεξεργασίας και ανάλυσης της διαθέσιμης πληροφορίας. Κατά το στάδιο αυτό οι παράμετροι ελέγχου διαχωρίζονται και συσχετίζονται μεταξύ τους ΄τυφλά’ (π.χ. με νευρωνικά δίκτυα, ασαφή λογική) σύμφωνα με συγκεκριμένα μαθηματικά κριτήρια (π.χ. πιθανοκρατικά, ελάχιστων τετραγώνων κ.α.) χωρίς όμως να λαμβάνουν υπόψη την ‘ευρετική’ (heuristic) του ειδικού με αποτέλεσμα να παρουσιάζουν πεπερασμένη ακρίβεια, μεγάλο χρόνο υλοποίησης, αδυναμία γενίκευσης. Έτσι, η απόδοση των συστημάτων αυτών εξαρτάται από το μέγεθος και ποιότητα (θορυβώδη, ελλιπή δεδομένα κ.α.) των δεδομένων, το πλήθος των συνδυασμών των ποσοτικών χαρακτηριστικών που περιγράφουν τα δεδομένα, τον καθορισμό των πλούσιων σε πληροφορία χαρακτηριστικών, την σημαντικότητα των επιμέρους χαρακτηριστικών και των μαθηματικών κριτηρίων ταξινόμησης. Για παράδειγμα πολλά χαρακτηριστικά περιγράφουν καλύτερα την υπό μελέτη διεργασία αλλά η εξαγωγή των πλούσιων σε προγνωστική πληροφορία χαρακτηριστικών απαιτεί πολλούς συνδυασμούς και μεγάλη υπολογιστική ισχύ. Επίσης πολλά χαρακτηριστικά σημαίνει εξειδίκευση του συστήματος στα δεδομένα εκπαίδευσης και αδυναμία εφαρμογής σε άγνωστα δεδομένα. Η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση νέων μεθόδων επεξεργασίας και ανάλυσης ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών σε υπολογιστικό σύστημα μικροσκοπίας για την διάγνωση όγκων εγκεφάλου τύπου αστροκυττώματος. / Even though histological diagnosis is fundamentally important for patient's management, the potential of diagnostic errors in astrocytomas grading still remains substantially high, ranging from 25% to 40% in routine conditions. Diagnostic errors originate mainly from the lack of experience of experts; rare cancers low prevalence and their biological complexity hinder the establishment of concrete criteria able to predict tumours' behaviour, and, thus, to administrate proper treatments. The latter might explain the fact that a/ although promising treatments have been proposed, death rates have not been yet reduced and b/ the cost of rare cancers management still remains one of the highest healthcare economic burdens in Europe and worldwide. The aim of this thesis was to design, develop and implement new computerized methods to improve manual and computer-assisted malignancy grading of astrocytomas. Scientific objectives comprised: a/ develop a reliable and accurate segmentation algorithm for nuclei detection in routinely stained with H&E histopathological images of astrocytomas, b/ investigate and quantify modifications in nuclei morphology and texture with respect to the degree of tumour abnormality of astrocytic tumours, c/ evaluate whether quantitative analysis of cell nuclei by computer-assisted image analysis could assist the routinely performed malignancy grading of astrocytomas using conventional means, d/ investigate potential modifications in chromatin distribution, which might be used to improve the diagnostic evaluation of cases that histopathologists have difficulty in reaching definite diagnosis (i.e. 'intermediate' grade tumours), e/ support more reliable separation of high grade tumours into clinically meaningful subgroups of patients with grade III and grade IV tumours. For realizing the above objectives, a computer-assisted microscopy system was designed, built and implemented. The system was developed using novel methodologies that integrated state-of-art pattern recognition algorithms for microscopy image segmentation and classification. In addition, new classification techniques have been introduced. The usefulness of the proposed methods has been validated experimentally.