Segmentación del cuello uterino en imágenes de colposcopia mediante técnicas de aprendizaje de máquina
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
El virus del papiloma humano (VPH) es una enfermedad de transmisión sexual que puede desencadenar cáncer de cuello uterino, siendo esta la cuarta neoplasia más frecuente en las mujeres a nivel mundial y la segunda a nivel nacional, convirtiéndose en uno de los principales problemas de salud pública. Por esta situación, actualmente se realizan diferentes campañas de salud que promueven los exámenes de tamización del cáncer de cuello uterino como: citología, colposcopia y prueba del virus del papiloma humano, los cuales permiten la detección de esta enfermedad. Sin embargo, los tiempos de espera para obtener los resultados son altos debido a la infraestructura deficiente de los laboratorios, incluso las pruebas recolectadas en los exámenes están sujetas a una manipulación o almacenamiento inadecuado afectando el diagnóstico, ocasionando que la prueba se deba tomar de nuevo, postergando el diagnóstico. Ante esta situación donde la salud de millones de mujeres se ve afectada cada año, se opta por aprovechar las imágenes de colposcopia para analizar el estado del cuello uterino mediante técnicas de aprendizaje de máquina como una herramienta para soportar el diagnóstico de las pacientes, empleando métodos supervisados y no supervisados, para mejorar el tiempo de diagnóstico de esta enfermedad, debido a que esto permite evaluar un gran número de datos en menor tiempo. Con el fin de ayudar a dar solución a este problema de salud pública, se desarrolló un aplicativo de escritorio que cuenta con modelos de aprendizaje supervisado y no supervisado. Para llegar a este producto fue necesario acondicionar las bases de datos para que las imágenes sean uniformes, revisar documentación de trabajos previos, así como también modelos, para poder implementarlos, finalmente se evaluaron todos los modelos para definir cuales cumplen con las métricas establecidas que garantizan un buen rendimiento para el proyecto de CITOBOT, el cual es financiado por Minciencias y está siendo desarrollado por un equipo multidisciplinario de las facultades de ingeniería y ciencias de la salud, en colaboración con la ESE Ladera de la ciudad de Cali.
Description
item.page.descriptioneng
The human papillomavirus (HPV) is a sexually transmitted disease that can trigger cervical cancer, being the fourth most frequent neoplasm in women worldwide and the second at national level, becoming one of the main public health problems. Due to this situation, different health cam paigns are currently being carried out to promote cervical cancer screening tests such as: cytology, colposcopy and human papillomavirus test, which allow the detection of this disease. However, the waiting times to obtain the results are high due to the deficient infrastructure of the laboratories, even the tests collected in the exams are subject to inadequate handling or storage affecting the diagnosis, causing the test to be taken again, delaying the diagnosis. Faced with this situation where the health of millions of women is affected every year, it is decided to take advantage of colposcopy images to analyze the state of the cervix through machine learning techniques as a tool to support the diagnosis of patients, using supervised and unsupervised methods, to improve the time of diagnosis of this disease, because this allows to evaluate a large number of data in less time. To build the application capable of segmenting any colposcopy image using machine learning, it will be necessary to condition the database so that the images are uniform. Likewise, the documen tation process of previous works and methods will be important at the moment of implementing machine learning algorithms, from the results obtained with the different methods it is determined which results comply with the metrics and serve correctly to be used in the CITOBOT project for the identification of cancer stages.
Keywords
Segmentación, Aprendizaje de máquina, Cuello uterino, Imágenes de colposcopia, VPH