Multilayer Perceptron for squamous cell nuclei localization in Pap smear tests using local features.
Cervical cancer is the fourth most commonly diagnosed cancer among women worldwide and it is a leading cause of death in women. Diagnosis is typically performed manually by analyzing squamous cells in Pap smear tests, a process that is time-consuming and prone to a high rate of errors. The adoption...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 47; no. 1; pp. 1 - 22 |
|---|---|
| Autores principales: | , , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
Jan-Apr2026
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| Sumario: | Cervical cancer is the fourth most commonly diagnosed cancer among women worldwide and it is a leading cause of death in women. Diagnosis is typically performed manually by analyzing squamous cells in Pap smear tests, a process that is time-consuming and prone to a high rate of errors. The adoption of automated analysis methods has significantly reduced both diagnostic time and human errors. A key step in this automated pipeline is the detection of squamous cell nuclei. In this study, we propose a Multilayer Perceptron (MLP) artificial neural network model that includes local image features to automatically locate squamous cell nuclei. The proposed workflow is intended to detect the presence or absence of nuclei, which aligns with its use in cytology screening. For training we utilized two publicly available datasets: CRIC and SIPaKMeD. Unlike many state-of-the-art approaches, our method learns directly from entire images rather than relying on pre-segmented regions. It achieves accuracies of 0.9526 and 0.9397 on the CRIC and SIPaKMeD datasets, respectively. Our approach offers a simple yet effective solution, delivering performance on par with more complex models reported in the literature. El cáncer de cuello uterino es el cuarto cáncer más comúnmente diagnosticado entre las mujeres en todo el mundo y sigue siendo una de las principales causas de muerte en las mujeres. El diagnóstico generalmente se realiza manualmente mediante el análisis de células escamosas en pruebas de Papanicolaou, un proceso que requiere mucho tiempo y es propenso a una alta tasa de errores. La adopción de métodos de análisis automatizados ha reducido significativamente tanto el tiempo de diagnóstico como los errores humanos. Un paso clave en este proceso automatizado es la detección de núcleos de células escamosas. En este estudio, se propone un modelo de red neuronal artificial tipo Perceptrón Multicapa (MLP), que utiliza características locales para localizar automáticamente los núcleos de células escamosas. El flujo de trabajo propuesto está diseñado para detectar la presencia o ausencia de núcleos, lo cual está alineado con su uso en el cribado citológico. El modelo fue entrenado con dos conjuntos de datos públicos: CRIC y SIPaKMeD. A diferencia de otros trabajos en el estado del arte, nuestro modelo aprende de la información de imágenes completas alcanzando una precisión de 0.9526 y 0.9397 en los conjuntos de datos CRIC y Sipakmed, respectivamente. Nuestra propuesta ofrece un enfoque sencillo mientras mantiene un rendimiento comparable al de los modelos complejos reportados en la literatura. |
|---|