Clasificación de cáncer cervical usando redes neuronales convolucionales, transferencia de aprendizaje y aumento de datos

Cervical cancer classification using convolutional neural networks, transfer learning and data augmentation

Contenido principal del artículo

Mario Alejandro Bravo Ortíz
Harold Brayan Arteaga Arteaga
Reinel Tabares Soto
Jorge Iván Padilla Buriticá
Simon Orozco-Arias

Resumen

El cáncer cervical se forma en las células que revisten el cuello uterino y la parte inferior del útero. Debido a razones de costo y baja oferta de servicios destinados a la detección de este tipo de cáncer, muchas mujeres no tienen acceso a un diagnóstico pronto y preciso, ocasionando un inicio tardío del tratamiento. Para dar solución a este problema se implementó una metodología que clasifica de manera automática el tipo de cáncer cervical, entre leve (Tipo 1 y 2) y agresivo (Tipo 3), utilizando técnicas de procesamiento digital de imágenes y aprendizaje profundo. Se trabajó en la construcción de un modelo computacional con base en redes neuronales convolucionales, transferencia de aprendizaje y aumento de datos, obteniendo precisiones de clasificación de hasta 97,35% sobre los datos de validación, asegurando la confiabilidad de los resultados. Con este trabajo se demostró que el diseño propuesto puede ser usado como un complemento para mejorar la eficiencia de las herramientas del diagnóstico asistido del cáncer.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografía del autor/a (VER)

Reinel Tabares Soto, Universidad Autónoma de Manizales

Docente e investigador de la Universidad Autonóma de Manizales

Referencias (VER)

McGuire S. World cancer report 2014. Geneva, Switzerland: World Health Organization, international agency for research on cancer, WHO Press, 2015. Advances in Nutrition: An International Review Journal, 7, 418-419, 2016.

Akshaya R., Manie R., Monisha B., Ranichadra V. Convolutional Neural Networks Aiding Colposcopy Image Classification. International Journal of Trend in Research and development, 5, 270-274, 2018.

Almonte M., Sánchez G.I., Jerónimo J., Ferreción C., Lazcano E., Herrera R. Nuevos Paradigmas en la Prevención y Control de Cáncer de Cuello Uterino en América Latina. Salud Pública de México, 52, No 6, 2010.

Lorena M., Villate S., Jiménez D., Conduct in regard to the papanicolaou test: The voice of the patients in face of abnormal growth in the cervix, Revista Colombiana de Enfermería, Vol. 18, páginas 1-13, 2019

Kaur N., Panagrahi N., Mittal A. Automated Cervical Cancer Screening Using Transfer Learning. International Journal Of Advanced Research in Science and Engineering, 6, 2110-2119, 2017.

Intel & MobileODT, Cervical Cancer Screening, 2017, [Online]. Available: https://www.kaggle.com/c/intel-mobileodt-cervical-cancer-screening/data

Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large Scale Image Recognition. Published as a conference paper at ICLR 2015. San Diego, California, Estados Unidos, abril, 2015.

Park Chansung, Transfer Learning in Tensorflow (VGG19 on CIFAR-10): Part 1, 2018, 10 Octubre 2019, [Online]. Available: https://towardsdatascience.com/transfer-learning-in-tensorflow-9e4f7eae3bb4

Stanford University, Princeton University, ImageNet, 2016, 10 Octubre 2019, [Online]. Available: http://www.image-net.org/

Zhang XQ, Zhao S-G, Cervical image classification based on image segmentation preprocessing and a CapsNet network model, Wiley, páginas 19-28, 2019 , [Online]. Available: https://doi.org/10.1002/ima.22291

Fernandes K., Cardoso J., Fernandes J., Automated Methods for the Decision Support of Cervical Cancer Screening Using Digital Colposcopies, IEEE Xplore, Vol. 6, páginas 33910-33927, 2018, [Online]. Available: https://ieeexplore.ieee.org/document/8362613

Vasudha, Mittal A., Juneja M., Cervix Cancer Classification using Colposcopy Images by Deep Learning Method, IJETSR, Vol. 5, páginas 426-432, 2018, [Online]. Available: https://pdfs.semanticscholar.org/f099/0cd17037129f7a55fcdf279ea6e9d613e8fe.pdf

Caraiman S., Vasile I., Histogram-based segmentation of quantum images, ELSEVIER, Vol. 529, páginas 46-60, 2014, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0304397513005835

Adrian Rosebrock, pyimagesearch, Keras ImageDataGenerator and Data Augmentation(Julio 8, 2019), consultado por última vez el 10 de octubre del 2019 en: https://www.pyimagesearch.com/2019/07/08/keras-imagedatagenerator-and-data-augmentation/?utm_source=facebook&utm_medium=ad-08-07-2019&utm_campaign=8+July+2019+BP+-+Traffic&utm_content=Default+name+-+Traffic&fbid_campaign=6116019415846&fbid_adset=6116019416246&utm_adset=1+July+2019+BP+-+All+Visitors+90+Days+-+Worldwide+-+18%2B&fbid_ad=6116019417246

Mikolajczyk A. Grochowski M, Data augmentation for improving deep learning in image classification problem, IEEE Xplore, Poland, 2018, 21 Junio 2018, [Online]. Available: https://ieeexplore.ieee.org/document/8388338

Intel & MobileODT, Cervical Cancer Screening, 2017, [Online]. Available: https://www.kaggle.com/c/intel-mobileodt-cervical-cancer-screening

Tiago S. Nazar´e, Gabriel B. Paranhos da Costa, Welinton A. Contato, and Moacir Ponti, Deep Convolutional Neural Networks and Noisy Images, ResearchGate, paginas 416-424, 2018, [Online]. Available: https://www.researchgate.net/publication/322915518_Deep_Convolutional_Neural_Networks_and_Noisy_Images

Nawal M. Nour, Cervical Cancer: A Preventable Death, Obstet Gynecol, Vol. 2, páginas 240-244, 2009, [Online]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2812875/

Ayan E, H. Muray Ü, Data augmentation importance for classification of skin lesions via deep learning, IEEE Xplore, páginas 1-5, 2019, [Online]. Available: https://ieeexplore.ieee.org/document/8391469/citations?tabFilter=papers#citations

Keras Documentation, Keras, [Online]. Available: https://keras.io/why-use-keras/

. TensorFlow Core r1.14, Tensorflow, [Online]. Available: https://www.tensorflow.org/versions/r1.14/api_docs/python/tf

Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. In NIPS, 2012.

Abien Fred M. Agarap, Cornell University, Deep Learning using Rectified Linear Units (ReLU), 2019, 7 febrero 2019, [Online]. Available: https://arxiv.org/abs/1803.08375

Sridhar Narayan, The generalized sigmoid activation function: Competitive supervised learning, ScienceDirect, Vol. 99, páginas 69-82, 1997, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0020025596002009

Daniel Godoy, Towards Data Science, Understanding binary cross-entropy / log loss: a visual explanation, 2018, 10 octubre 2019, [Online]. Available: https://towardsdatascience.com/understanding-binary-cross-entropy-log-loss-a-visual-explanation-a3ac6025181a

Zhang S., Choromanska A., and LeCun Y.. Deep learning with Elastic Averaging SGD. Neural Information Processing Systems Conference (NIPS 2015), Vol. 28, páginas 1–24, 2015, [Online]. Available: https://papers.nips.cc/paper/5761-deep-learning-with-elastic-averaging-sgd

Piotr Skalski, Towards Data Science, Preventing Deep Neural Network from Overfitting, 2018, 10 Octubre 2019, [Online]. Available: https://towardsdatascience.com/preventing-deep-neural-network-from-overfitting-953458db800a

Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R., Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Journal of Machine Learning Research, Vol. 15, páginas. 1929-1958, 2014, [Online]. Available: http://jmlr.org/papers/v15/srivastava14a.html