Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/34769
Title in Portuguese: Detecção automática de células cervicais com base em atributos radiais
Author: Silva, Romuere Rodrigues Veloso e
Advisor(s): Medeiros, Fátima Nelsizeuma Sombra de
Co-advisor(s): Ushizima, Daniela Mayumi
Keywords: Teleinformática
Processamento de imagens
Citologia
Cervical cells
Pap smear
Radial feature description
Issue Date: 3-Jul-2018
Citation: SILVA, Romuere Rodrigues Veloso e. Detecção automática de células cervicais com base em atributos radiais. 2018. 83 f. Tese (Doutorado em Engenharia de Teleinformática)–Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2018.
Abstract in Portuguese: A quantificação microscópica de propriedades de células cervicais tem sido utilizada por décadas na detecção de lesões pré-cancerígenas do colo do útero. A abordagem tradicional é baseada na busca visual de células cervicais em lâminas do exame Papanicolau, onde o objetivo é encontrar padrões que sejam correlacionados com células anormais. O maior desafio na análise de células cervicais em programas de saúde pública é a inspeção manual, uma tarefa que não é escalável com o crescimento da população. Esta tese apresenta ferramentas para classificação de células e recuperação de imagens, incluindo o descritor de atributos radiais (Radial Feature Descriptor - RFD) para categorizar padrões normais e anormais de células cervicais. O RFD define retas igualmente espaçadas ao redor do núcleo que são responsáveis por capturar variações de intensidade na membrana citoplasmática. Ele combina os atributos de intensidade com atributos de textura provenientes do cálculo da distribuição de cromatina no núcleo sem a necessidade de segmentação do citoplasma. A avaliação dos resultados utilizou duas bases de imagens: Herlev, uma base pública; e CRIC, uma base de imagens apresentada nesta tese. As células individuais da base CRIC foram obtidas pelo uso de um algoritmo de segmentação de núcleos proposto. Realizamos experimentos de classificação de imagens e de recuperação de imagens baseada em conteúdo (Content-Based Image Retrieval - CBIR). Nós classificamos as células com o algoritmo Random Forest e utilizamos a metodologia bootstrap para criar os conjuntos de treinamento e teste. Os experimentos CBIR foram realizados utilizando a distância cosseno como métrica de similaridade. As principais contribuições desta tese são: a) um novo método para segmentação de núcleos de células cervicais b) RFD, um extrator de atributos de células cervicais; c) pyCBIR, uma nova ferramenta para recuperação de imagens.Nossos experimentos de classificação foram mensurados em termos do índice Kappa (k) e da taxa de falso negativos (False Negative Rate - FNR), calculamos o Mean Average Precision (MAP) para avaliar os experimentos CBIR. Os resultados obtidos mostraram que o descritor proposto permitiu a discriminação de células cervicais para a classificação em normais e anormais, alcançando k = 0,89 e FNR = 0,02 para a base de imagens Herlev e k = 0,78 e FNR = 0,14 para a base CRIC. Em relação aos experimentos CBIR obtivemos MAP = 0,84 e MAP = 0,82 para as bases de imagens Herlev e CRIC, respectivamente. Em ambos experimentos alcançamos resultados melhores quando comparados com métodos do extração de atributos do estado-da-arte.
Abstract: Microscopic quantification of cervical cell properties has been used for the early detection of precancerous lesions from Pap smears for decades. The traditional approach relies on the visual screening of a Pap smear glass slide to search for patterns correlated to abnormal cells. The major challenge in cervical cell screening for public health programs is the reliance upon manual inspection by different pathologists, a task that does not scale to the population growth. This work introduces cell classification and image retrieval computational tools, including a new radial feature description (RFD) to distinguish normal and abnormal patterns. The key idea lies in defining evenly interspaced segments around the cell nucleus, and proportional to the convexity of the nuclear boundary. The main advantage of the proposed RFD is the sensitivity to the intensity variation around the nuclear membrane, without cytoplasm outlining, and combining chromatin distribution through texture features. For performance evaluation, we applied two databases: the Herlev and a higher resolution one called BHS, both with thousands of samples. We create the BHS database by applying a new nucleus segmentation method that we proposed here. Then, we classify cells with Random Forest and bootstrap, and perform content-based image retrieval with the cosine similarity, comparing our methodology to other cell recognition techniques. The main contributions are: a) a new method for cervical cell nuclei segmentation; b) RFD as a fast and an accurate cervical cell descriptor, without prior cytoplasm segmentation; b) the BHS database with high-resolution images and ground-truth; c) pyCBIR, a new tool for image retrieval; d) classification and CBIR results using 14 different algorithms including the proposed RFD and two convolutional neural networks. Our results show that the proposed RFD allows accurate discrimination between normal and abnormal cervical cells, achieving the highest accuracy measures in terms of Kappa for both Herlev and BHS cell image sets.
URI: http://www.repositorio.ufc.br/handle/riufc/34769
Appears in Collections:DETE - Teses defendidas na UFC

Files in This Item:
File Description SizeFormat 
2018_tese_rrvsilva.pdf35,48 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.