Resumen
En este trabajo se explora la implementación de algoritmos de aprendizaje automático, en particular las redes neuronales convolucionales (CNN), para potenciar la detección temprana del cáncer cervicouterino a partir de imágenes colposcópicas. El estudio se centra en la problemática global del cáncer cervicouterino, subrayando su alta incidencia y mortalidad, especialmente en naciones en desarrollo y en América Latina.
La metodología adoptada es cualitativa, lo que implica la interpretación de patrones en imágenes médicas. Se utiliza un conjunto de datos que incluye imágenes del cuello uterino clasificadas como cancerosas, precancerosas y no cancerosas, extraídas del repositorio Intel ODT. El proceso abarca el preprocesamiento de las imágenes para corregir imperfecciones y normalizarlas, seguido de la implementación y el entrenamiento de varios modelos de CNN preentrenados, tales como VGG16, Google Inception y XceptionNet.
Se analizan los resultados de estos modelos en relación con su precisión, tiempo de entrenamiento y capacidad para generalizar a nuevos datos. Se aplican técnicas como Early Stopping y aumento de datos para optimizar el entrenamiento y evitar el sobreajuste. Además, se emplean mapas de activación Grad-CAM para visualizar las áreas de las imágenes que influyen en las decisiones de clasificación del modelo, lo que proporciona una mayor interpretación y confianza en los resultados.
Los hallazgos indican que los modelos de CNN son eficaces en la clasificación de imágenes colposcópicas, presentando variaciones en precisión y tiempo de entrenamiento entre los distintos modelos. El modelo Inception V3 de Google mostró la mayor precisión en el conjunto de validación tras el aumento de datos, mientras que XceptionNet destacó por tener el menor tiempo de entrenamiento.
Abstract
This study investigates the use of machine learning algorithms, particularly convolutional neural networks (CNNs), to improve the early detection of cervical cancer through the analysis of colposcopic images. It highlights the worldwide issue of cervical cancer, noting the significant incidence and mortality rates, especially in underdeveloped regions and Latin America. The research employs a qualitative approach aimed at interpreting the patterns found in medical imagery. A collection of cervical images, classified as cancerous, precancerous, and non-cancerous, is utilized, sourced from the Intel ODT repository. The methodology includes preprocessing the images to rectify flaws and standardize the input data, followed by the application and training of multiple pre-trained CNN models, namely VGG16, Google Inception, and XceptionNet.
The models are evaluated based on their accuracy, training duration, and ability to generalize. Strategies like early stopping and data augmentation are incorporated to enhance training efficiency and mitigate overfitting. Furthermore, Grad-CAM activation maps are utilized to illustrate the specific regions of the images that impact the model’s classification outcomes, thereby improving the interpretability and reliability of the findings.
The findings suggest that CNN models are proficient in categorizing colposcopic images, with variations noted in accuracy and training duration among the different models. Google’s Inception V3 records the highest validation accuracy following data augmentation, while XceptionNet is distinguished by its reduced training time.
