Topic 01. Self-Supervised Learning for Cervical Cancer Classification

Experimental setup

Datasets

Herlev datasets. Bộ dữ liệu tế bào học cổ tử cung được sử dụng rộng rãi trong nghiên cứu về nhận dạng và phân loại tế bào ung thư cổ tử cung từ ảnh hiển vi (Jan Jantzen et al., 2006), được thu thập tại Herlev University Hospital, Đan Mạch. Thống kê bộ dữ liệu được mô tả trong Bảng 1. Bộ dữ liệu gồm 917 ảnh với 7 loại nhãn khác nhau, trong đó có 3 nhãn là normal (bình thường) và 4 nhãn là bất thường (abnormal).

Label	Number for label	Types
superficiel	74	Normal
intermediate	70	Normal
columnar	98	Normal
light dysplastic	182	Abnormal
severe dysplastic	197	Abnormal
moderate_dysplastic	146	Abnormal
carcinoma in situ	150	Abnormal
Total	917

Bảng 1. Thống kê mô tả bộ dữ liệu Herlev Pap-smear.

LBC Pap smear datasets. LBC (Liquid-Based Cytology) là một trong các xét nghiệm sàng lọc ung thư cổ tử cung (Elima Husain et al., 2020). Bộ dữ liệu này bao gồm tổng cộng 963 ảnh LBC, được chia thành bốn nhóm tương ứng với bốn lớp tổn thương: NILM, LSIL, HSIL và SCC. Các lớp này đại diện cho các tổn thương tiền ung thư và ung thư cổ tử cung. Hình ảnh được thu thập từ 460 bệnh nhân, với nhiều vấn đề phụ khoa khác nhau. Mô tả thống kê của bộ dữ liệu được cung cấp trong Bảng 2.

Label	Number for label	Types
LSIL	113	Precancerous
NILM	613	Precancerous
HSIL	163	Precancerous
SCC	74	Cancer
Total	963

Bảng 2. Bộ dữ liệu LBC bao gồm bốn đại diện tổn thương: NILM, LSIL, HSIL và SCC.

HiCerix datasets. Bộ dữ liệu tế bào học cổ tử cung lớn nhất và đa trung tâm nhất được công bố công khai (De Cai et al., 2024). HiCervix bao gồm 40.299 ảnh tế bào cổ tử cung được cắt từ 4.496 ảnh lát cắt toàn bộ (whole slide images), được phân loại thành 29 lớp và có chú thích. Các lớp này được tổ chức theo một cây phân cấp ba tằng nhằm nắm bắt thông tin chi tiết về các nhóm nhỏ (fine-grained subtypes). Trong bộ dữ liệu này có chứa 8.840 hình ảnh thuộc 5 nhãn mục tiêu cho giai đoạn downstream task (thống kê mô tả Bảng 3).

Label	Number for label	Types
ASC_H	1437	Precancerous
ASC_US	2599	Precancerous
HSIL	1988	Precancerous
LSIL	1744	Precancerous
SCC	1072	Cancer
Total	8840

Bảng 3. Các nhãn mục tiêu cho giai đoạn downstream task được trích xuất từ bộ dữ liệu Hicervix.

SIPaKMed datasets. Là một trong những bộ dữ liệu được sử dụng rộng rãi trong bài toán phân loại tế bào cổ tử cung từ ảnh Pap smear. Bao gồm 4.090 ảnh tế bào riêng biệt được crop thủ công từ 966 ảnh nhớm tế bào Pap smear. SiPaKMed phân loại tế bào theo năm lớp dựa trên đặc điểm hình thái (mô tả chi tiết trong Bảng 4).

Label	Number for label	Types
Dyskeratotic (DYSK)	813	abnormal
Koilocytotic (KOIL)	825	abnormal
Metaplastic (META)	793	benign
Parabasal (PARA)	787	normal
Superficial-Moderate (SM)	831	normal
Total	4090

Bảng 4. Bộ dữ liệu SIPaKMed gồm năm lớp chính, được thu thập từ 966 ảnh nhóm tế bào Pap smear.

Hospital A datasets. Bộ dữ liệu thu thập từ Bệnh viên A thái nguyên, gồm 22.434 ảnh tế bào gồm năm nhãn lớp chính (Bảng 5).

Label	Number for label	Types
ASC_H	5.669	precancerous
ASC_US	3.869	precancerous
HSIL	6.355	precancerous
LSIL	4.780	precancerous
SCC	1.761	cancer
Total	22.434

Bảng 5. Phân phối chi tiết bộ dữ liệu thu thập từ Bệnh viện A, Thái Nguyên trên năm nhãn chính.

Data design strategy

Để phục vụ cho quá trình thực nghiệm, làm rõ một số vấn đề, các bộ dữ liệu (đã được mô tả ở Phần 1) sẽ được thiết kế để đảm bảo tính đa dạng, khả thi và phù hợp:

HSLBC datasets. Gộp ba bộ dữ liệu Herlev, SIPakMed và LBC.
HSLBCHi datasets. Mở rộng thêm bộ dữ liệu HSLBC bằng cách thêm vào bộ Hicervix.

Bộ dữ liệu ở bệnh viện A là bộ dữ liệu mục tiêu chính cho giai đoạn downstream task, bộ dữ liệu này sẽ được chia thành các tập dữ liệu con phục vụ cho quá trình huấn luyện, kiểm thử và đánh giá.

#train (70%)	#val (15%)	#test (15%)
15.704	3.366	3.364