Avaliação da Generalização e do Fine-Tuning de Modelos Fundacionais e Redes Neurais Convolucionais na Segmentação de Células Cervicais

• Lucas Monteiro Henriques UFMG
• Bruna Luiza Martins Santos UFMG
• Franciele Alves Barbosa UFMG
• Mayara Kalita Moura Gomides UFMG
• Mateus Amaral da Silva UFMG
• Pedro Henrique Gonçalves Pires UFMG
• Cauan Carvalho Marotta UFMG
• Leonardo Augusto Ferreira UFMG
• Marcelo Antonio Pascoal Xavier UFMG
• Walmir Matos Caminhas UFMG
• Frederico Guimarães UFMG
• Andrea G. Campos UFOP

DOI: https://doi.org/10.5753/sbcas.2026.21371

Resumo

A capacidade de identificar e segmentar objetos de forma universal é um pilar da Inteligência Artificial contemporânea, impulsionando setores como a robótica e as ciências biológicas. Com o intuito de simplificar a análise de imagens médicas e reduzir a necessidade de intervenção especializada, este estudo implementou fluxos de trabalho nas bases de dados patológicas Cervical Cancer Dataset (CCD) e Center for Recognition and Inspection of Cells (CRIC). A metodologia incluiu o uso de modelos em estado-da-arte, como o Medical Segment Anything Model (MedSAM) e o Cellpose integrado ao Segment Anything Model (SAM), além de técnicas de agrupamento espacial para o recorte das imagens em escala de célula individual (single-cell) ou em grupos, dependendo da distância entre os núcleos. Os resultados demonstram que a integração de modelos fundacionais com ajustes específicos permite uma avaliação criteriosa de diferentes arquiteturas e a identificação dos modelos mais eficientes para o rastreio do câncer cervical.

Referências

Chen, Y. et al. (2026). Foundation models in medical imaging: A review. EngMedicine, 3(2).

Cutler, K. J. et al. (2022). Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation. Nature Methods, 19(11):1438–1448.

Instituto Nacional de Câncer (2023). Dados e números sobre câncer do colo do útero. Acesso em: 23 fev. 2026.

Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, C.-Y., Berg, A. C., Lo, W.-Y., Dollár, P., and Girshick, R. (2023). Segment anything. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 4015–4026.

Liang, Y. et al. (2021). Global context-aware cervical cell detection with soft scale anchor matching. Computer Methods and Programs in Biomedicine, 204.

Lu, Z. et al. (2017). Evaluation of three algorithms for the segmentation of overlapping cervical cells. IEEE Journal of Biomedical and Health Informatics, 21(2):441–450.

Ma, J. et al. (2024). Segment anything in medical images (medsam). Nature Communications, 15:654.

Matta, R. et al. (2024). A systematic review of generalization research in medical image classification. Computers in Biology and Medicine, 183.

Microsoft (2023). Fine-tuning AI models. Microsoft Learn. Acesso em: 29 abr. 2026. Fine-tuning helps you adapt pre-trained AI models to work better with your specific data.

Neha, F. et al. (2025). An analytics-driven review of u-net for medical image segmentation. Healthcare Analytics, 8.

Pachitariu, M., Stringer, C., and Rariden, M. (2025). Cellpose-sam: superhuman generalization for cellular segmentation. BioRxiv: The preprint server for biology.

Pan, S. J. and Yang, Q. (2009). A survey on transfer learning. IEEE Transactions on knowledge and data engineering, 22(10):1345–1359.

Rezende, M. T. et al. (2021). Cric searchable image database as a public platform for conventional pap smear cytology data. Scientific Data, 8(151).

Roboflow (2026). Roboflow: Computer vision platform. Disponível em: [link]. Acesso em: 27 fev. 2026.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (MICCAI), pages 234–241. Springer, Cham.

Schmidt, U. et al. (2018). Cell detection with star-convex polygons. In Medical Image Computing and Computer Assisted Intervention (MICCAI), pages 265–273. Springer, Cham.

Zhao, Z.-Q., Zheng, P., Xu, S.-t., and Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11):3212–3232.