Clasificación de células cervicales mediante el algoritmo KNN usando rasgos del núcleo.

Resumen

La búsqueda por similitud es uno de los procedimientos más frecuentes en problemas que involucran el procesamiento de datos en donde el dato no tiene una estructura completamente determinada. Esto consiste en obtener los objetos que más se asemejan a uno dado. Algunos algoritmos de aprendizaje resultan adecuados para formalizar el problema, al trabajar con una función de distancia que permite determinar de manera rigurosa el grado de semejanza entre objetos. Una variante consiste en realizar la búsqueda kNN (k-Nearest Neighbors) [1]. En este trabajo, se propone el uso del clasificador kNN y de una de las distancias utilizadas por el mismo para dar solución al problema de la clasificación de las células del cuello del útero en las clases normal y anómala, basándose solamente en las características extraídas de la región del núcleo y sin utilizar las características del citoplasma.

Este enfoque del problema es muy importante, debido a que los núcleos son las regiones mejor diferenciadas en imágenes complejas de frotis de la prueba de Papanicolaou. Las imágenes presentan en este caso un alto grado de células superpuestas y es difícil determinar las fronteras exactas de las regiones ocupadas por los citoplasmas, a los efectos de lograr una buena segmentación de las células. Se realizó la clasificación de las células y se evaluaron tres distancias diferentes a ser utilizadas por el algoritmo kNN. Los resultados obtenidos indican que es posible lograr un buen rendimiento cuando se utilizan solo las características de los núcleos.