Uso de redes neurais convolucionais para classificação do câncer cervical com imagens citológicas do papanicolau

Resumo

Objetivo: Implementar uma arquitetura de rede convolucional para identificar padrões de doenças em diferentes estágios da lesão cervical, utilizando dados de esfregaço de Papanicolau, que se referem às imagens obtidas a partir do exame, o qual é utilizado para detectar alterações nas células do colo do útero que podem ser indicativas do câncer cervical. Métodos: Trata-se de um estudo experimental, utilizando o conjunto de dados de imagens citológicas do Papanicolau em base de dados públicas SIPaKMeD, disponíveis de forma online do repositório Kaggle. O aprendizado de transferência proposto foi empregado usando modelos de rede neural convolucional (CNN) pré-treinados, como InceptionV3, Xception, VGG e uma abordagem modificada da VGG, para classificar imagens de esfregaço de Papanicolau de acordo com categorias de células: Disceratótica, Coilocitótica, Metaplásica, Parabasal e Superficial-Intermediária. Resultados: Os melhores resultados da classificação das categorias das células foram para as arquiteturas InceptionV3 e VGG com uma modificação nas camadas da arquitetura original, que apresentaram 91% de acurácia. Já a arquitetura Xception apresentou 88% de acurácia e VGG sem modificação nas camadas apresentou 86% no modelo treinado. Conclusão: Conclui-se que as presentes descobertas destacam a capacidade do modelo de discernir padrões e diferenciar células com precisão.