Segmentation and Classification of Pap Smear Images for Cervical Cancer Detection Using Deep Learning

Resumo Técnico: Segmentação e Classificação de Imagens de Papanicolau para Detecção de Câncer Cervical Usando Aprendizado Profundo

Definição do Problema
O câncer cervical continua sendo uma das principais causas de mortalidade relacionada ao câncer entre mulheres globalmente, sendo a detecção precoce via testes de Papanicolau crítica para reduzir as taxas de mortalidade. No entanto, o exame manual de lâminas de Papanicolau é laborioso, propenso ao erro humano e sofre com a variabilidade interobservador. Embora o Aprendizado Profundo (DL), especificamente Redes Neurais Convolucionais (CNNs), tenha mostrado promessa na automação da análise de imagens médicas, o impacto específico das etapas de pré-processamento — particularmente a segmentação de imagem — no desempenho da classificação em citologia cervical requer validação empírica adicional. Este estudo aborda a necessidade de determinar se o isolamento de células cervicais do ruído de fundo via segmentação gera uma melhoria mensurável na precisão diagnóstica em comparação ao uso de imagens brutas.

Metodologia
A pesquisa empregou um framework sistemático utilizando o Herlev Pap Smear Dataset, uma coleção de referência de 917 imagens de células cervicais. A metodologia procedeu através das seguintes etapas:

1. Reestruturação do Conjunto de Dados: O conjunto de dados original de sete classes foi reestruturado em um problema de classificação binária: Normal (células epiteliais saudáveis, $n=242$) e Anormal (células displásicas e de carcinoma, $n=675$).
2. Pré-processamento e Segmentação:
   • As imagens foram redimensionadas para $128 \times 128$ pixels e normalizadas.
   • Uma arquitetura U-Net foi utilizada para gerar máscaras de segmentação, isolando as células cervicais do fundo. As máscaras foram pós-processadas para reescalar os valores dos pixels, reduzindo efetivamente o ruído de fundo para a fase de classificação.
3. Aumento de Dados (Data Augmentation): Para lidar com a disponibilidade limitada de dados e evitar o sobreajuste (overfitting), técnicas incluindo inversão (flipping), rotação e ajustes de contraste foram aplicadas.
4. Arquitetura de Classificação: Uma CNN personalizada foi projetada para classificação binária. A arquitetura compreendeu:
   • Três camadas convolucionais com tamanhos de filtro de 32, 64 e 128, cada uma seguida por max pooling.
   • Funções de ativação ReLU.
   • Regularização L2 e camadas de dropout para mitigar o sobreajuste.
   • Uma camada totalmente conectada (128 neurônios) e uma camada de saída softmax.
   • O treinamento foi otimizado usando o otimizador Adam com perda de entropia cruzada categórica.
5. Protocolo de Avaliação: Para garantir uma generalização robusta, a validação cruzada de 5 dobras (5-fold cross-validation) foi implementada em vez de uma simples divisão treino/teste. O desempenho foi avaliado em dois pipelines distintos: um treinado em imagens não segmentadas (brutas) e outro em imagens segmentadas. As métricas incluíram acurácia, precisão, recall e F1-score.

Principais Contribuições

• Análise Comparativa: O estudo fornece uma comparação empírica direta entre o desempenho da CNN em imagens de Papanicolau brutas versus imagens segmentadas por U-Net, isolando a variável da segmentação para medir sua contribuição específica para a precisão diagnóstica.
• Implementação de Framework: Estabelece um pipeline de aprendizado profundo de base integrando U-Net para segmentação e uma CNN compacta para classificação, validado através de rigorosa validação cruzada.
• Contexto de Interpretabilidade: O trabalho reconhece o papel dos Mapas de Ativação de Classe (CAMs) e da IA explicável no aumento da confiança clínica, posicionando o framework proposto como um passo em direção a diagnósticos automatizados transparentes.

Resultos
Os resultados experimentais indicaram que a inclusão da segmentação rendeu apenas melhorias marginais no desempenho da classificação:

• Acurácia: O modelo não segmentado alcançou 81,02%, enquanto o modelo segmentado alcançou 80,80% (uma diminuição de 0,22%).
• Precisão: Melhorou ligeiramente de 80,44% (não segmentado) para 80,85% (segmentado), um ganho de +0,41%.
• Recall: Diminuiu de 81,02% para 80,80%.
• F1-Score: Mostrou a melhoria mais notável, subindo de 78,25% para 79,55%, um ganho de +1,30%.

Embora o modelo segmentado tenha demonstrado um desempenho mais equilibrado entre precisão e recall (indicado pela melhoria no F1-score), a acurácia de classificação geral permaneceu comparável entre as duas abordagens. Os autores observaram que o modelo segmentado exibiu menos flutuação na acurácia de validação durante o treinamento, sugerindo que ele pode aprender características mais discriminativas, embora os ganhos finais de desempenho tenham sido limitados.

Significância e Alegações
O artigo conclui modestamente que, embora a segmentação auxilie na extração de características e redução de ruído, seu impacto no desempenho final da classificação para a detecção de câncer cervical é limitado dentro do escopo desta arquitetura CNN específica e deste conjunto de dados. O estudo não alega que a segmentação seja uma solução definitiva para melhorar a precisão diagnóstica, mas sugere que ela oferece um "desempenho de classificação ligeiramente mais equilibrado".

Os autores posicionam este trabalho como uma ferramenta suplementar para aplicações clínicas que auxilia patologistas, em vez de um substituto para a revisão manual. Eles explicitamente enquadram seus achados como uma base (baseline) para pesquisas futuras. O artigo argumenta que trabalhos futuros devem ir além de simples comparações de CNN para avaliar arquiteturas mais complexas (como Vision Transformers), ensembles híbridos e pipelines conscientes de calibração. O estudo enfatiza que avaliações futuras devem priorizar robustez estatística, calibração e explicabilidade através de diferentes coortes, observando que a complexidade do modelo não garante sempre a generalização robusta sem protocolos de validação rigorosos.