Segmentação de núcleo e citoplasma em imagens de células cervicais com aprendizado profundo usando uma rede neural U-Net.

Abstract

O câncer de colo de útero é um problema grave de saúde pública, afetando milhares de mulheres anualmente e sendo a quarta causa de morte por câncer mais frequente no sexo feminino, segundo o Instituto Nacional do Câncer. Essa doença se caracteriza por um desenvolvimento lento e é tratável quando diagnosticada em seus estágios iniciais. Dentre as principais formas de prevenção e detecção, destaca-se o exame de Papanicolau, que reduziu significativamente a incidência e mortalidade da doença desde sua criação. Contudo, um dos principais desafios do exame reside na alta proporção de falsos positivos e diagnósticos imprecisos, problema muitas vezes causado pela qualidade no processo de coleta e análise do material. Na etapa de análise, os profissionais em citopatologia precisam buscar manualmente por anomalias nas imagens microscópicas das células, um procedimento sujeito à exaustão e falhas de percepção humana. Como alternativa, diversos estudos foram desenvolvidos com o objetivo de proporcionar sistemas que auxiliam no diagnóstico, ao automatizar a etapa de segmentação e posterior classificação de células cervicais quanto à sua malignidade. Dentre esses estudos, as técnicas de aprendizagem profunda têm ganhado ênfase por serem capazes de segmentar regiões celulares de forma precisa e eficiente. Diante disso, este trabalho propõe um método baseado em aprendizagem profunda para segmentar as regiões do núcleo e citoplasma de células cervicais, utilizando a rede neural U-Net e a base de dados ISBI 2014. Com essa metodologia, foi possível alcançar resultados de grande relevância ao serem contrastados com o estado da arte da literatura existente, obtendo a pontuação de 0,9824 para o coeficiente de Dice na segmentação do citoplasma.