Detecção de Micronúcleos em Linfócitos: Um Novo Dataset e Estudo de Caso com YOLOv11
Resumo
A detecção de micronúcleos (MN) em linfócitos é essencial na biomedicina para avaliar danos genéticos e instabilidade cromossômica, sendo importante para estudos toxicológicos e diagnóstico de câncer. No entanto, a identificação manual é demorada e sujeita a erros. Neste trabalho, propomos uma abordagem automatizada utilizando a rede neural YOLOv11 para detecção de micronúcleos em células binucleadas. Para isso, construímos uma base de imagens coletadas do Centro Regional de Ciências Nucleares do Nordeste (CRCN), composta por 889 imagens, com anotações de localização de células binucleadas e micronúcleos. Resultados da análise de detecção mostram que o modelo utilizado alcançou precisão de 90,8% e revocação de 92,8%, demonstrando confiabilidade para aplicações clínicas. Além disso, o conjunto de dados desenvolvido contribui para futuras pesquisas na área, fornecendo uma base padronizada para avaliação de modelos de visão computacional aplicados à citogenética. A base de dados desenvolvida está disponível em https://doi.org/10.5281/zenodo.14947933.
Referências
Ibarra-Arellano, M. A., Caprio, L. A., Hada, A., Stotzem, N., Cai, L., Shah, S., Melms, J. C., Wünneman, F., Izar, B., and Schapiro, D. (2024). micronuclai: Automated quantification of micronuclei for assessment of chromosomal instability. bioRxiv [Pre-print], 2024(05.24.595722). Accessed: 2025-02-09.
Jain, S., Dash, S., Deorari, R., et al. (2022). Object detection using coco dataset. In 2022 International Conference on Cyber Resilience (ICCR), pages 1–4. IEEE.
Jiang, P., Ergu, D., Liu, F., Cai, Y., and Ma, B. (2022). A review of yolo algorithm developments. Procedia computer science, 199:1066–1073.
Jocher, G., Qiu, J., and Chaurasia, A. (2023). Ultralytics YOLO.
Kaggle (2025). Kaggle notebooks. url: [link]. Acessado em: 20/02/2025.
Krupina, K., Goginashvili, A., and Cleveland, D. W. (2021). Causes and consequences of micronuclei. Current Opinion in Cell Biology, 70:91–99. Accessed: 2025-02-09.
Padilla, R., Netto, S. L., and Da Silva, E. A. (2020). A survey on performance metrics for object-detection algorithms. In 2020 international conference on systems, signals and image processing (IWSSIP), pages 237–242. IEEE.
Panchbhai, A., Ishanzadeh, M. C. S., Sidali, A., Solaiman, N., Pankanti, S., Kanagaraj, R., Murphy, J. J., and Surendranath, K. (2023). A deep learning workflow for quantification of micronuclei in dna damage studies in cultured cancer cell lines: a proof of principle investigation. Computer Methods and Programs in Biomedicine, 232:107447.
Rohr, P., da Silva, G. F., Vicentini, V. E. P., de Almeida, I. V., Dos Santos, R. A., Takahashi, C. S., Goulart, M. O., da Silva, G. N., de Oliveira, L. B., Grisolia, C. K., et al. (2020). Buccal micronucleus cytome assay: Inter-laboratory scoring exercise and micronucleus and nuclear abnormalities frequencies in different populations from brazil. Toxicology Letters, 333:242–250.
Wei, W., Leng, Y., Cao, L., et al. (2024). Std-yolov7: A small target detector for micronucleus based on yolov7. Accessed: 2025-02-09.
Wei, W., Li, J., Wu, X., and Zhang, H. (2023). High-through cell micronucleus image detection method combining multi-attention mechanism and yolov5. Biomedical Signal Processing and Control, 87:105496. Accessed: 2025-02-09.
Yoda, H., Abe, K., Takeo, H., Takamura-Enya, T., and Koike-Takeshita, A. (2024). Application of image-recognition techniques to automated micronucleus detection in the in vitro micronucleus assay. Genes and Environment, 46(1):11.
