Segmentação de núcleos reais de citologia cervical com redes neurais convolucionais.

Abstract

Segundo o Instituto Nacional do Câncer, o câncer do colo do útero apresenta 570 mil novos casos no mundo a cada ano e é responsável pela morte de 311 mil mulheres por ano, sendo considerada a quarta causa de morte mais comum de câncer em mulheres. Comumente causado por subtipos de alto risco do HPV (Human papillomavirus), ocorrem alterações celulares que podem ser diagnosticadas pelo exame de Papanicolaou. Embora a implementação do exame tenha diminuído drasticamente os índices de mortalidade, a incidência de falsos positivos caracteriza a alta subjetividade atrelada ao diagnóstico. Esta, se dá pela relação direta da qualidade da análise a experiência do profissional, que também pode ser afetada por diversos fatores, tais como fadiga física e mental. Nesse aspecto, uma alternativa é a inserção da citologia digital no monitoramento de qualidade da rotina laboratorial, de modo a tornar a análise menos suscetível as falhas humanas. O desafio de classificar as células cervicais envolve a pré-segmentação de seus núcleos, visto que diante de anormalidades apresenta variações morfológicas e texturais significativas. Neste trabalho são apresentadas metodologias de segmentação de células que envolvem Redes neurais convolucionais, as arquiteturas U-net e SegNet. Através das bases de dados Herlev, ISBI2014 e Cric Cervix, foram realizados experimentos com diferentes funções de ativação, tamanhos de lote e subconjuntos de dados. Os modelos atingiram 0,9695 para a base de dados Herlev, 0,9783 para ISBI2014 e 0,9429 para Cric Cervix em coeficiente de Dice. A partir desses resultados, conclui-se que a metodologia proposta se mostrou capaz de segmentar núcleos cervicais reais com qualidade, mesmo em situações de sobreposição e diferentes artefatos.