Apoyo en el diagnóstico temprano de cáncer cervical mediante procesamiento de imágenes microscópicas de citología

A nivel mundial, el cáncer de cuello uterino figura como una de las principales causas de mortalidad entre las mujeres. Sin embargo, puede tratarse con éxito si se detecta la etapa de lesión precancerosa o antes. Aunque la prueba de Papanicolaou se presenta como una herramienta valiosa para la detección temprana de este tipo de cáncer, existe la posibilidad de errores humanos, y el procedimiento en sí resulta ser tedioso y consume considerable tiempo. En esta investigación, se propone un método para la segmentación y clasificación automatizada de células relacionadas con el cáncer de cuello uterino. El proceso se inicia mediante la adquisición de una base de datos de imágenes microscópicas procedentes de láminas portaobjetos de muestras citológicas en base líquida y convencional. Estas muestras fueron digitalizadas en el área de patología del Hospital Universitario San Ignacio, siguiendo la aprobación del comité de ética. Se utilizó un microscopio de la marca Olympus con una cámara incorporada de la misma marca para capturar las microfotografías. Estas imágenes, tomadas con un objetivo de 40x, fueron posteriormente etiquetadas con la asistencia de un profesional de la salud especializado en la identificación de células normales y anormales. Las células anormales incluyeron muestras LSIL, HSIL y carcinoma. En una etapa subsiguiente, se llevaron a cabo recortes unicelulares, los cuales fueron sometidos a un proceso de pre-procesamiento con el objetivo de mejorar la calidad de la imagen, eliminando ruido u otros factores externos que pudieran afectar la precisión de las fases posteriores del análisis. La segmentación de los núcleos se llevó a cabo utilizando el método de cuencas hidrográficas o watershed. Debido a las variaciones de tonalidades en las microfotografías, algunas imágenes se segmentaron con éxito, mientras que otras no lo lograron. En estos casos, se optó por entrenar un modelo de segmentación semántica, Attention Residual U-Net, utilizando las mejores máscaras generadas con el método de watershed. Posteriormente, se procedió a la extracción de características a nivel nuclear, y con estas características se entrenaron tres clasificadores: MLP, SVM y KNN. Este enfoque integral busca mejorar la eficacia y precisión en la detección temprana del cáncer de cuello uterino, superando las limitaciones asociadas con métodos tradicionales y potenciando el impacto positivo en la salud de las mujeres.

Grantor dc:publisher

Pontificia Universidad Javeriana

Author dc:creator

• Colimba Chiran, Gustavo Adolfo

Advisors dc:contributor.advisor

• Rueda Olarte, Andrea Del Pilar
• Parra Rodriguez, Carlos Alberto

• Cáncer
• Cuello uterino
• Segmentación semántica
• Aprendizaje de maquina
• Aprendizaje profundo

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/4.0/

Language dc:language.iso

spa

Handle dc:identifier.uri

http://hdl.handle.net/10554/73388

OAI record oai:identifier

https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F73388