Geração de imagens citológicas sintéticas através de redes generativas adversárias.

Abstract

O câncer de colo de útero é o quarto mais frequente nas mulheres brasileiras. Por ser uma condição sem sintomas aparentes e de evolução gradual, muitas vezes passa despercebida. No entanto, apresenta um significativo potencial de recuperação quando tratada precocemente. Um poderoso aliado em prol desse objetivo é o diagnóstico assistido por computador, que utiliza modelos computacionais para detecção e classificação das informações das células por meio da abstração de padrões. Para assegurar a exatidão da classificação realizada, é necessário treinar o modelo com uma grande quantidade de dados. Nesse contexto, este trabalho tem como objetivo ampliar tanto a quantidade quanto a diversidade das amostras de datasets citológicos, incorporando imagens artificiais geradas por Redes Generativas Adversárias Convolucionais Profundas (Deep Convolutional Generative Adversarial Networks ou DCGANs). Para isso, dois modelos foram construídos: uma DCGAN padrão e uma pré-treinada a partir do ponto de partida da primeira. Por fim, o gerador foi exportado para que fosse possível gerar a quantidade de amostras sintéticas desejada. Adicionalmente, foi proposta a utilização de uma Rede Neural Convolucional (CNN), para investigar os impactos que o aumento de dados possui em uma rede classificadora. Os resultados apresentaram acurácia acima de 70% para o classificador, indicando que as imagens geradas possuem boa qualidade e podem representar células cervicais. No entanto, uma análise mais aprofundada com diversas redes e estratégias é essencial para obter uma compreensão abrangente e confiável das imagens geradas.