Segmentação de Núcleos em Imagens Citológicas do Colo do Útero com Pix2Pix e U-Net

• João Pedro Lobato de Pinho PUC Minas
• Alexei Manso Correa Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas.2025.6952

Resumo

A segmentação de núcleos celulares é essencial para a análise de imagens citológicas e a detecção precoce de doenças como o câncer cervical. Este trabalho compara as arquiteturas U-Net e Pix2Pix na tarefa de segmentação semântica de núcleos de células do colo do útero. O Pix2Pix é uma GAN condicional que utiliza aprendizado adversarial. Os experimentos foram realizados com a base de dados CNSeg, composta por imagens citológicas em diferentes contextos. A U-Net teve desempenho superior nas métricas AJI (+2, 90%) e PQ (+3, 12%). No entanto, o Pix2Pix mostrou-se promissor, produzindo segmentações precisas. Isso indica que redes adversariais podem ser uma alternativa promissora para essa tarefa, ainda pouco explorada na literatura.

Referências

Ali, M., Ali, M., Hussain, M., and Koundal, D. (2024). Generative adversarial networks (gans) for medical image processing: Recent advancements. ARCH COMPUT METHOD E.

Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. C., and Bengio, Y. (2014). Generative adversarial networks. COMMUN ACM, 63:139 – 144.

Isola, P., Zhu, J.-Y., Zhou, T., and Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. PROC CVPR IEEE, pages 5967–5976.

Khaled, A., Han, J.-J., and Ghaleb, T. A. (2022). Multi-model medical image segmentation using multi-stage generative adversarial networks. IEEE Access, 10:28590–28599.

Luc, P., Couprie, C., Chintala, S., and Verbeek, J. (2016). Semantic segmentation using adversarial networks. ArXiv, abs/1611.08408.

Mahmood, F., Borders, D., Chen, R. J., Mckay, G. N., Salimian, K. J., Baras, A., and Durr, N. J. (2020). Deep adversarial training for multi-organ nuclei segmentation in histopathology images. IEEE T MED IMAGING, 39(11):3257–3267.

Mirza, M. and Osindero, S. (2014). Conditional generative adversarial nets. ArXiv, abs/1411.1784.

Park, K.-B., Choi, S. H., and Lee, J. Y. (2020). M-gan: Retinal blood vessel segmentation by balancing losses through stacked deep fully convolutional networks. IEEE Access, 8:146308–146322.

Popescu, D., Deaconu, M., Ichim, L., and Stamatescu, G. (2021). Retinal blood vessel segmentation using pix2pix gan. MED C CONTR AUTOMAT, pages 1173–1178.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. ArXiv, abs/1505.04597.

Siegel, R. L., Giaquinto, A. N., and Jemal, A. (2024). Cancer statistics, 2024. CA: A Cancer Journal for Clinicians, 74(1):12–49.

Son, J., Park, S. J., and Jung, K.-H. (2019). Towards accurate segmentation of retinal vessels and the optic disc in fundoscopic images with generative adversarial networks. J DIGIT IMAGING, 32(3):499–512.

van der Schot, A., Sikkel, E., Niekolaas, M., Spaanderman, M., and de Jong, G. (2023). Placental vessel segmentation using pix2pix compared to u-net. Journal of Imaging, 9(10).

Xue, Y., Xu, T., Zhang, H., Long, L. R., and Huang, X. (2018). Segan: Adversarial network with multi-scale l1 loss for medical image segmentation. Neuroinformatics, 16(3):383–392.

Zhang, X., Zhu, X., Zhang, X., Zhang, N., Li, P., and Wang, L. (2018). Seggan: Semantic segmentation with generative adversarial network. 2018 IEEE Fourth International Conference on Multimedia Big Data (BigMM), pages 1–5.

Zhao, J., jun He, Y., Zhou, S.-H., Qin, J., and ning Xie, Y. (2023). Cnseg: A dataset for cervical nuclear segmentation. COMPUT METH PROG BIO, 241:107732.