Abstract:
CONDITION FOR PUBLICATION OF PROJECT. Cervical cancer is the fourth leading cause of mortality in women, according to the Global Cancer Observatory and GLOBOCAN 2022 worldwide. Early detection through techniques such as colposcopy is crucial to reducing mortality. The project aims to develop an algorithm for automatic lesion segmentation in colposcopic images using U-Net-based artificial neural networks. This approach stems from the need to automate medical image analysis to segment cervical lesions and reduce errors caused by physicians' subjective interpretation. The project used a database of 200 colposcopy images from the Kaggle platform, in which regions of interest (ROIs) were manually segmented with the collaboration of trained medical personnel to generate binary masks necessary to train the model. Data augmentation techniques were employed, and performance was evaluated using the Dice coefficient and Intersection over Union (IoU) metrics. The results showed that the model achieved a Dice coefficient of 84% on the validation set and the IoU achieved 75%. The U-Net model proved effective in segmenting lesions in colposcopy images, with adequate validation performance. The model could be used in an assistance tool to assist physicians in segmenting cervical cancer lesions.
Keywords: Artificial Intelligence, Colposcopy, Cervix, U-Net, ROI.
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El cáncer de cuello uterino representa el cuarto lugar de mortalidad para mujeres de acuerdo a al Observatorio Global de Cáncer y GLOBOCAN 2022 a nivel mundial. La detección temprana mediante técnicas como la colposcopia, es crucial para reducir la mortalidad. El proyecto tiene como objetivo desarrollar un algoritmo de segmentación automática de lesiones en imágenes colposcópicas utilizando redes neuronales artificiales basadas en U-Net. Este enfoque radica en la necesidad de automatizar el análisis de imágenes médicas para segmentar lesiones de cuello uterino y reducir los errores causados por la interpretación subjetiva del médico. El proyecto utilizó una base de datos de 200 imágenes de colposcopia de la plataforma Kaggle, en las cuales se segmentó manualmente las regiones de interés (ROI) con colaboración de personal médico capacitado para generar máscaras binarias necesarias para entrenar el modelo. Se emplearon técnicas de aumento de datos y el rendimiento se evaluó con las métricas del coeficiente de Dice e Intersección sobre Unión (IoU). Los resultados mostraron que el modelo alcanzó un coeficiente de Dice de 84% en el conjunto de validación y una IoU de 75%. El modelo U-Net demostró ser efectivo para segmentar lesiones en imágenes de colposcopia, con un desempeño adecuado en la validación. El modelo podría ser usado en una herramienta de asistencia para ayudar al médico en la segmentación de lesiones cáncer de cuello uterino.
