Deep reinforcement learning for efficient nucleus cell location in digital pap smears

Abstract

En agosto de 2020, la Asamblea Mundial de la Salud (con siglas en inglés WHA) definió tres objetivos mundiales principales para eliminar el cáncer de cuello uterino. Con suerte, será posible eliminar el cáncer de cuello uterino para 2030 siguiendo estos objetivos. Uno de esos objetivos es ``el 70\% de cobertura de cribado". Este objetivo requería profesionales experimentados para completar el análisis de las imágenes digitales de Papanicolaou. Los patólogos llevan a cabo el análisis de las imágenes, lo que lleva alrededor de 30 minutos por prueba. La falta de patólogos especialistas retrasa las metas propuestas por la WHA. Esta tesis se enfoca en utilizar un agente de aprendizaje por refuerzo profundo que aprende por sí mismo, mediante recompensas, penalizaciones y experiencias pasadas, para avanzar hacia el núcleo celular en imágenes digitales, siguiendo un camino óptimo. En principio, el resultado de la tesis será crear un agente cuya entrada sean píxeles en bruto y su salida sean coordenadas del núcleo. Para futuros trabajos, esta información será utilizada por otros agentes especializados o redes neuronales para detectar células desviadas o con anomalías. La idea final es construir una máquina de análisis de Papanicolaou automática de alta eficiencia.