El análisis de frotis cervical, una técnica pionera descrita por Papanicolaou, ha
demostrado ser efectiva en la detección temprana de patologías y se utiliza ampliamente
en sistemas CAD para el diagnóstico automatizado. En este estudio, se emplearon
diversas técnicas de segmentación y clasificación de imágenes PAP con el objetivo de
apoyar el diagnóstico del cáncer de cuello uterino. Se utilizaron técnicas de aprendizaje
no supervisado, como KMEANS y MEANSHIFT, para llevar a cabo la segmentación
del núcleo celular. Estas técnicas se basan en el concepto de agrupamiento para fusionar
regiones de superpíxeles y lograr la segmentación deseada. Además, se empleó la red
UNET, un modelo de aprendizaje supervisado, para la segmentación tanto del núcleo
como del citoplasma. Para la realización de este estudio, se utilizó la base de datos de
HERLEV, que consta de 917 imágenes junto con sus correspondientes segmentaciones
y etiquetas. Esta base de datos facilitó el proceso de aprendizaje y evaluación de las
técnicas utilizadas en la investigación. En cuanto a la clasificación, se emplearon cuatro
clasificadores: DT, SVM, KNN y ANN, para resolver problemas de clasificación binaria
y de tres clases. Para mejorar el rendimiento de la clasificación, se aplicaron técnicas
como PCA y FEATUREWIZ para obtener características significativas de las células.
Los resultados obtenidos mostraron que la red UNET fue altamente efectiva en la
segmentación tanto del citoplasma como del núcleo, obteniendo índices de DICE de
0.91 ± 0.044 y 0.90 ± 0.117, respectivamente. En cuanto a la clasificación binaria, el
clasificador ANN alcanzó una exactitud del 98 %, mientras que para la clasificación de
tres clases, el clasificador KNN obtuvo una precisión del 89 %. Por tanto, este estudio
demuestra la eficacia de las técnicas de segmentación y clasificación utilizadas en el
análisis de frotis cervical, proporcionando resultados prometedores para el apoyo al
diagnóstico de cáncer de cuello uterino.
Cervical smear analysis, a pioneering technique described by Papanicolaou, has
proven to be effective in the early detection of pathologies and is widely used in CAD
systems for automated diagnosis. In this study, various segmentation and classification
techniques for PAP images were employed with the aim of supporting the diagnosis of
cervical cancer. Unsupervised learning techniques such as KMEANS and
MEANSHIFT were utilized to perform cell nucleus segmentation. These techniques
rely on the concept of clustering to merge superpixel regions and achieve the desired
segmentation. Additionally, the supervised learning model UNET was employed for
both nucleus and cytoplasm segmentation. The HERLEV database, consisting of 917
images along with their corresponding segmentations and labels, was used for this
study. This database facilitated the learning and evaluation process of the techniques
employed in the research. Regarding classification, four classifiers, namely DT, SVM,
KNN, and ANN, were employed to solve binary and three-class classification
problems. Techniques such as PCA and FEATUREWIZ were applied to enhance
classification performance and extract significant cell features. The obtained results
demonstrated that the UNET network was highly effective in segmenting both the
cytoplasm and nucleus, achieving DICE indices of 0.91 ± 0.044 and 0.90 ± 0.117,
respectively. In terms of binary classification, the ANN classifier achieved an accuracy
of 98 %, while for three-class classification, the KNN classifier obtained a precision of
89 %. Thus, this study showcases the efficacy of the segmentation and classification
techniques used in cervical smear analysis, offering promising results for supporting
the diagnosis of cervical cancer.
