Desarrollo de modelos de machine learning para clasificación binaria de calidad y eliminación de ruido en muestras de Papanicolau
Cargando...
Archivos
Fecha
2024-12
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
La subjetividad y la agilidad en la revisión y clasificación de calidad de imágenes de citología cervical representa un desafío importante debido al criterio individual del observador, así como al alto volumen de muestras que requieren análisis. El proyecto tiene como objetivo desarrollar dos modelos de machine learning; el primero es un modelo de clasificación que categoriza las muestras digitalizadas como satisfactorias o insatisfactorias, se compararon las arquitecturas MobileNet, VGG16 y Resnet50, arrojando mejores resultados con esta última, llegando a una sensibilidad de 0.93 las muestras insatisfactorias. El segundo, un modelo de difusión para reducción de ruido donde se utilizó una arquitectura UNet con bloques ResNet, evaluado para imágenes sin ruido y con ruido agregado, y se aplicó una máscara de enfoque alcanzando métricas de PSNR y SSIM de 36 dB y 0.92 en imágenes sin ruido, y 31 dB y 0.72 en imágenes con ruido. La implementación de estos modelos funciona como un primer paso en la clasificación binaria de calidad de imágenes citológicas, y en el mejoramiento de la calidad inicial de las imágenes.
Descripción
Abstract
The subjectivity and agility in the review and quality classification of cervical cytology images represent a significant challenge due to the observer’s individual criteria, as well as the high volume of samples requiring analysis. The project aims to develop two machine learning models: the first one is a classification model that categorizes digitized samples as satisfactory or unsatisfactory. MobileNet, VGG16, and ResNet50 architectures were compared, with the latter yielding the best results, achieving a sensitivity of 0.93 for the unsatisfactory samples. The second one is a diffusion model for noise reduction using a UNet architecture with ResNet blocks. It was evaluated on noise-free and noisy images applying a focus mask, this model achieved PSNR and SSIM metrics of 36 dB and 0.92 for noise-free images, and 31 dB and 0.72 for noisy images. The implementation of these models serves as a first step in the binary quality classification of cytological images and in improving their initial quality.
Palabras clave
Citología cervical, Modelo de difusión, Transfer learning
Keywords
Cervical cytology, Diffusion model, Transfer learning