Detecção de Cromossomos em Metáfases: Um Novo Dataset e Estudo de Caso com YOLOv11

• Higor M. Cordeiro UFRPE
• Laís M. Silva CRCN-NE / CNEN
• Suy F. Hwang CRCN-NE / CNEN
• Fabiana F. Lima CRCN-NE / CNEN
• Filipe R. Cordeiro UFRPE

DOI: https://doi.org/10.5753/sbcas_estendido.2025.6969

Resumo

Apesar dos avanços na detecção automática de cromossomos, a maioria dos estudos existentes utiliza bases de dados privadas, o que limita a comparação direta de desempenho entre diferentes métodos. Para preencher essa lacuna, este trabalho desenvolve um novo conjunto de dados composto por 519 imagens de células em metáfase com localização anotada dos cromossomos, utilizando amostras coletadas no Centro Regional de Ciências Nucleares do Nordeste (CRCN-NE). Além disso, são avaliadas três variantes do YOLOv11 (YOLOv11n, YOLOv11s e YOLOv11m), utilizando as métricas Mean Average Precision (mAP), Precision e Recall. Os resultados mostram que o YOLOv11m, com imagens de 1024×1024 pixels, obteve o melhor desempenho, alcançando mAP@50 de 99,24% e mAP@50-95 de 74,86%. Esses resultados destacam o potencial do YOLOv11 na automação da detecção de cromossomos, proporcionando maior precisão e agilidade na análise citogenética. A base de dados está disponível em https://doi.org/10.5281/zenodo.15101359.

Referências

Al-Kharraz, M. S., Elrefaei, L. A., and Fadel, M. A. (2020). Automated system for chromosome karyotyping to recognize the most common numerical abnormalities using deep learning. IEEE Access, 8:157727–157747.

Andrade, M. F. S., Cordeiro, F. R., Macário, V., Lima, F. F., Hwang, S. F., and Mendonça, J. C. G. (2018). A fuzzy-adaptive approach to segment metaphase chromosome images. In 2018 7th Brazilian Conference on Intelligent Systems (BRACIS).

Andrade, M. F. S., Dias, L. V., Macario, V., Lima, F. F., Hwang, S. F., Silva, J. C. G., and Cordeiro, F. R. (2020). A study of deep learning approaches for classification and detection chromosomes in metaphase images. Machine Vision and Applications.

Atencia-Jiménez, I., Balajee, A. S., Ruiz-Gómez, M. J., Sendra-Portero, F., Montoro, A., and Molina-Cabello, M. A. (2024). Neural network ensemble to detect dicentric chromosomes in metaphase images. Applied Sciences, 14(22):10440.

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.

Kaggle (2025). Kaggle notebooks. Acessado em: 20/02/2025.

Khanam, R. and Hussain, M. (2024). Yolov11: An overview of the key architectural enhancements.

Kuo, C.-E., Li, J.-Z., Tseng, J.-J., Lo, F.-C., Chen, M.-J., and Lu, C.-H. (2025). Chromosomenet: Deep learning-based automated chromosome detection in metaphase cell images. IEEE Open Journal of Engineering in Medicine and Biology, 6:227–236.

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., Desmaison, A., Köpf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Chilamkurthy, S., Steiner, B., Fang, L., Bai, J., and Chintala, S. (2019). Pytorch: An imperative style, high-performance deep learning library.

Qin, Y., Wen, J., Zheng, H., Huang, X., Yang, J., Song, N., Zhu, Y.-M., Wu, L., and Yang, G.-Z. (2019). Varifocal-net: A chromosome classification approach using deep convolutional networks. IEEE transactions on medical imaging, 38(11):2569–2581.

Xia, C., Wang, J., You, X., and et al. (2024). Chromtr: chromosome detection in raw metaphase cell images via deformable transformers. Frontiers in Medicine, 18:1100–1114.