Pseudo-Box Target Sensitivity for Point-Supervised Cervical Cell Detection and Counting

• Jean Carlos Rodrigues Sousa UFPI
• Karielly de Carvalho UFPI
• João Antônio Leal de Miranda UFPI
• Romuere Rodrigues Veloso e Silva UFPI

DOI: https://doi.org/10.5753/eniac.2026.31577

Resumo

Anotações pontuais identificam centros celulares, mas não definem a extensão do objeto. Este trabalho estuda as consequências experimentais de converter esses pontos em alvos de detecção na base CRIC Cervix, sobre dez tamanhos de pseudo-caixa (48–192 pixels) e três escalas YOLO11, com partições separadas por imagem. O F1 de validação forma um platô entre 96 e 192 pixels, com compromissos distintos de precisão, revocação e contagem; o alvo de 144 pixels foi mantido como ponto operacional intermediário e o YOLO11s deu o melhor equilíbrio. No teste retido, alcançou AP50=0,8723, F1=0,8190 e erro absoluto médio de 4,68 células por imagem. Um critério de distância ao ponto, independente da caixa sintética, produz F1 equivalente, confirmando localização real dos núcleos. A contribuição é uma análise auditável da construção do alvo para detecção cervical supervisionada por pontos, sem reivindicar caixas anatômicas ou uso diagnóstico.

Referências

Chen, P., Cai, X., Chen, Y., Chen, G., Zheng, F., Keutzer, K., Lu, T., and Li, X. (2023). P2BNet: Point-to-box network for object detection with point annotations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10):12244–12259.

Chen, Z., Chen, Z., Liu, J., Zheng, Q., Zhu, Y., Zuo, Y., Wang, Z., Guan, X., Wang, Y., and Li, Y. (2021). Weakly supervised histopathology image segmentation with sparse point annotations. IEEE Journal of Biomedical and Health Informatics, 25(5):1673–1685.

Cheng, B., Parkhi, O., and Kirillov, A. (2022). Pointly-supervised instance segmentation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 2617–2626.

Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., Van Smeden, M., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385:e078378.

Fang, M., Liao, B., Lei, X., and Wu, F.-X. (2024). A systematic review on deep learning based methods for cervical cell image analysis. Neurocomputing, 610:128630.

Graham, S., Vu, Q. D., Raza, S. E. A., Azam, A., Tsang, Y. W., Kwak, J. T., and Rajpoot, N. (2019). HoVer-Net: Simultaneous segmentation and classification of nuclei in multi-tissue histology images. Medical Image Analysis, 58:101563.

Jiang, P., Li, X., Shen, H., Chen, Y., Wang, L., Chen, H., Feng, J., and Liu, J. (2023). A systematic review of deep learning-based cervical cytology screening: From cell identification to whole slide image analysis. Artificial Intelligence Review, 56(Suppl 2):2687–2758.

Kalbhor, M., Shinde, S., Wajire, P., and Jude, H. (2023). CerviCell-detector: An object detection approach for identifying the cancerous cells in pap smear images of cervical cancer. Heliyon, 9(11):e22324.

Khanam, R. and Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv preprint arXiv:2410.17725.

Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollar, P., and Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In European Conference on Computer Vision, pages 740–755. Springer.

Mongan, J., Moy, L., and Kahn, C. E. (2020). Checklist for artificial intelligence in medical imaging (CLAIM): A guide for authors and reviewers. Radiology: Artificial Intelligence, 2(2):e200029.

Rezende, M. T., Silva, R., Bernardo, F. d. O., Tobias, A. H. G., Oliveira, P. H. C., Machado, T. M., Costa, C. S., Medeiros, F. N. S., Ushizima, D. M., Carneiro, C. M., and Bianchi, A. G. C. (2021). CRIC searchable image database as a public platform for conventional pap smear cytology data. Scientific Data, 8(1):151.

Ribera, J., Guera, D., Chen, Y., and Delp, E. J. (2019). Locating objects without bounding boxes. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 6479–6489.

Singh, D., Vignat, J., Lorenzoni, V., Eslahi, M., Ginsburg, O., Lauby-Secretan, B., Arbyn, M., Basu, P., Bray, F., and Vaccarella, S. (2023). Global estimates of incidence and mortality of cervical cancer in 2020: A baseline analysis of the WHO global cervical cancer elimination initiative. The Lancet Global Health, 11(2):e197–e206.

Stringer, C., Wang, T., Michaelos, M., and Pachitariu, M. (2021). Cellpose: A generalist algorithm for cellular segmentation. Nature Methods, 18(1):100–106.

Tejani, A. S., Klontzas, M. E., Gatti, A. A., Mongan, J. T., Moy, L., Park, S., Kahn, C. E., and Panel, C. . U. (2024). Checklist for artificial intelligence in medical imaging (CLAIM): 2024 update. Radiology: Artificial Intelligence, 6(4):e240300.

Xia, L., Qu, Z., An, J., and Gao, Z. (2023). A weakly supervised method with colorization for nuclei segmentation using point annotations. IEEE Transactions on Instrumentation and Measurement, 72:1–11.

Xie, W., Noble, J. A., and Zisserman, A. (2018). Microscopy cell counting and detection with fully convolutional regression networks. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, 6(3):283–292.