Development of machine learning models for binary quality classification and noise removal in Pap smear samples

Desarrollo de modelos de machine learning para clasificación binaria de calidad y eliminación de ruido en muestras de Papanicolau

Resumen Métricas disponibles Referencias Cómo citar

Resumen (en)

The subjectivity and agility in the review and quality classification of cervical cytology images represents a significant challenge due to the individual observer's criteria, as well as the high volume of samples requiring analysis. The project aims to develop two machine learning models; the first is a classification model that categorizes digitized samples as satisfactory or unsatisfactory. The MobileNet, VGG16, and Resnet50 architectures were compared, yielding better results with the latter, reaching a sensitivity of 0.93 for unsatisfactory samples. The second, a diffusion model for noise reduction where a UNet architecture with ResNet blocks was evaluated for images without noise and with added noise, and an unsharp mask was applied, achieving PSNR and SSIM metrics of 36 dB and 0.92 in noise-free images, and 31 dB and 0.72 in noisy images. The implementation of these models serves as a first step in the binary classification of cytological image quality and in improving the initial image quality.

Resumen (es)

La subjetividad y la agilidad en la revisión y clasificación de calidad de imágenes de citología cervical representa un desafío importante debido al criterio individual del observador, así como al alto volumen de muestras que requieren análisis. El proyecto tiene como objetivo desarrollar dos modelos de machine learning; el primero es un modelo de clasificación que categoriza las muestras digitalizadas como satisfactorias o insatisfactorias, se compararon las arquitecturas MobileNet, VGG16 y Resnet50, arrojando mejores resultados con esta última, llegando a una sensibilidad de 0.93 las muestras insatisfactorias. El segundo, un modelo de difusión para reducción de ruido donde se utilizó una arquitectura UNet con bloques ResNet, evaluado para imágenes sin ruido y con ruido agregado, y se aplicó una máscara de enfoque alcanzando métricas de PSNR y SSIM de 36 dB y 0.92 en imágenes sin ruido, y 31 dB y 0.72 en imágenes con ruido. La implementación de estos modelos funciona como un primer paso en la clasificación binaria de calidad de imágenes citológicas, y en el mejoramiento de la calidad inicial de las imágenes.