Ein Swin Transformer-basiertes Modell zur Detektion von Schilddrüsenknoten in Ultraschallbildern
21. April 2023
In dieser Arbeit wird ein neues Modell zur Detektion von Schilddrüsenknoten in Ultraschallbildern vorgeschlagen, das den Swin Transformer als Rückgrat für die langreichweitige Kontextmodellierung verwendet. Experimente belegen, dass es in Bezug auf Empfindlichkeit und Genauigkeit gut funktioniert.
Dieses Programm implementiert eine automatische und effiziente Maßnahme zur Erkennung von Schilddrüsenknoten, die in Zukunft die Arbeitsbelastung von Ärzten verringern kann. Bei dieser Technik wird ein Swin-Transformator auf ein Knotenerkennungsnetzwerk angewendet. Swin Transformer sind effektiv bei der Erfassung von Inhaltsinformationen über große Entfernungen, was sehr hilfreich ist, um die Empfindlichkeit der Knotenfixierung zu verbessern.
Öffnen Sie zunächst ein Terminal auf dem Computer und installieren Sie Python 3.8, indem Sie sudo apt-get install python3.8 in die Befehlszeile eingeben. Um PyTorch 1.7 zu installieren, gehen Sie auf die offizielle Website von Miniconda und installieren Sie es. Erstellen Sie dann eine Conda-Umgebung, indem Sie den auf dem Bildschirm angezeigten Befehl in der Befehlszeile eingeben, und aktivieren Sie sie, indem Sie conda activate SwinFasterRCNN eingeben.
Installieren Sie PyTorch, indem Sie den angezeigten Befehl in die Befehlszeile schreiben. Klonen Sie für die Installation der MM-Erkennung aus dem offiziellen GitHub-Repository, und installieren Sie dann MM Detection, indem Sie den Befehl pip install v e in die Befehlszeile schreiben. Öffnen Sie die schedule_1x.
py-Datei im Vim-Texteditor und bearbeiten Sie die Datei, um die standardmäßigen trainingsbezogenen Parameter festzulegen, einschließlich Optimierer, Lernrate und Epic. Beginnen Sie das Training, indem Sie den auf dem Bildschirm angezeigten Befehl eingeben. Warten Sie, bis das Netzwerk mit dem Training für 48 Epics begonnen hat und die resultierenden trainierten Gewichtungen des SwinFasterRCNN-Netzwerks im Ausgabeordner generiert wurden.
Speichern Sie die Modellgewichte mit der höchsten Genauigkeit im Validierungssatz. Wählen Sie nach dem Training das Modell mit der besten Leistung im Validierungsset für die Erkennung von Schilddrüsenknoten in den neuen Bildern aus. Führen Sie das Testskript aus, um die Größe des Bildes auf 512 x 512 Pixel zu ändern und es zu normalisieren.
Warten Sie, bis das Skript die vortrainierten Modellparameter automatisch in den SwinFasterRCNN geladen hat, und geben Sie das vorverarbeitete Bild zur Inferenz in den SwinFasterRCNN ein. Warten Sie, bis SwinFasterRCNN das Vorhersagefeld für jedes Bild ausgegeben hat. Lassen Sie schließlich das Skript automatisch eine NMS-Nachbearbeitung für jedes Bild durchführen, um die Duplikaterkennungsfelder zu entfernen.
Die Erkennungsergebnisse für dasselbe Bild werden in einer bestimmten Zeile angezeigt. Die Spalten sind die Erkennungsergebnisse für SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet und DETR. Die Ground Truths der Regionen sind mit grünen rechteckigen Kästchen markiert.
Die Detektionsergebnisse werden von den roten rechteckigen Kästchen eingerahmt. Es ist sehr wichtig, den geeigneten Hyperparameter auszuwählen, um sicherzustellen, dass diese konvergieren, was durch viele Experimente bestimmt werden muss.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Übersicht
Diese Studie stellt einen neuartigen Ansatz zur Erkennung von Schilddrüsenknoten in Ultraschallbildern mithilfe eines Swin-Transformer-Modells vor. Die vorgeschlagene Methode weist eine verbesserte Sensitivität und Genauigkeit bei der Knotenerkennung auf.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Medizinische Bildgebung
- Maschinelles Lernen
- Schilddrüsengesundheit
Hintergrund
- Schilddrüsenknoten sind häufig und erfordern eine genaue Detektion für eine korrekte Diagnose.
- Herkömmliche Methoden können zeitaufwendig und subjektiv sein.
- Methoden des maschinellen Lernens, insbesondere des Deep Learning, haben sich bei der Analyse medizinischer Bilder als vielversprechend erwiesen.
- Swin-Transformer sind effektiv bei der Erfassung langreichweitiger kontextueller Informationen in Bildern.
Zweck der Studie
- Entwicklung eines automatisierten Systems zur Erkennung von Schilddrüsenknoten.
- Verbesserung der Empfindlichkeit und Genauigkeit bei der Erkennung von Knoten in Ultraschallbildern.
- Reduzierung der Arbeitsbelastung von medizinischem Fachpersonal.
Verwendete Methoden
- Implementierung eines auf dem Swin Transformer basierenden Netzwerks zur Knotenerkennung.
- Training des Modells mit einem Datensatz von Ultraschallbildern.
- Verwendung von Python und PyTorch zur Modellentwicklung.
- Nachbearbeitungstechniken zur Verbesserung der Erkennungsergebnisse.
Hauptergebnisse
- Das Swin-Transformer-Modell erreichte eine hohe Sensitivität und Genauigkeit bei der Erkennung von Schilddrüsenknoten.
- Der Vergleich mit anderen Modellen wie FasterRCNN und YOLOv3 zeigte eine überlegene Leistung.
- Eine effektive Hyperparameter-Abstimmung war entscheidend für eine optimale Modellleistung.
- Die Ergebnisse wurden visuell mit Erkennungsboxen dargestellt, die echte und falsche Positivbefunde hervorhoben.
Schlussfolgerungen
- Das vorgeschlagene Modell verbessert die Erkennung von Schilddrüsenknoten erheblich.
- Die Automatisierung bei der Knotendetektion kann die Belastung des medizinischen Personals verringern.
- Zukünftige Arbeiten könnten sich auf die weitere Verbesserung des Modells und die Erweiterung seiner Anwendbarkeit konzentrieren.
Häufig gestellte Fragen
Aussagekräftige Branchenrelevanz
Die automatisierte Erkennung von Schilddrüsenknoten in Ultraschallbildern behebt einen kritischen Engpass bei der frühen Krankheitsidentifizierung und Risikostratifizierung. Die Integration von auf dem Swin-Transformer basierenden Modellen in bildgebende Workflows der Entdeckungsphase verbessert die Vorhersagesicherheit und unterstützt eine skalierbare, reproduzierbare Analyse großer Datensätze. Diese Fähigkeit ist direkt relevant für Biopharma-Teams, die die Biomarker-Entdeckung und translationsmedizinische Forschung in endokrinen und onkologischen Portfoliofeldern beschleunigen möchten.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Ermöglicht die hochdurchsatzfähige, quantitative Identifizierung krankheitsrelevanter Merkmale in bildgebenden Datensätzen.
- Unterstützt eine objektive und reproduzierbare Zielvalidierung, indem die Subjektivität des Bedieners bei der Knotenerkennung verringert wird.
- Verbessert die mechanistische Entschärfung von Risiken, indem langreichweitige kontextuelle Abhängigkeiten in der Gewebemorphologie erfasst werden.
- Erleichtert die Portfolio-Priorisierung, indem robuste und skalierbare Ergebnisse der Bildanalyse bereitgestellt werden.
Screening und Assay-Entwicklung
- Bereitet validierte Bilddatensätze für die nachgeschaltete phänotypische Bildschirmanalyse und Biomarker-Analyse vor.
- Standardisiert Nachweisausgaben und unterstützt die Reproduzierbarkeit sowie den Vergleich zwischen Studien.
- Ermöglicht eine skalierbare Bildschirmanalyse großer Patientenkohorten für die translationale Biomarker-Entdeckung.
- Liefert quantitative Begrenzungsrahmen und Konfidenzbewertungen als Ausgabe für eine zuverlässige Bewertung.
Translationale und präklinische Forschung
- Stellt sicher, dass bildgebende Ergebnisse mit krankheitsrelevanten Endpunkten für eine translationale Kontinuität korrelieren.
- Unterstützt risikoadjustierte Entscheidungen über die Weiterentwicklung, indem die Sensitivität und Spezifität bei Nachweisaufgaben verbessert werden.
- Ermöglicht die Integration bildgebender Biomarker in präklinische und klinische Forschungspipelines.
- Verringert biologische Risiken in späteren Stadien, indem die Genauigkeit der Früherkennung verbessert wird.
Pipeline- und Workflow-Integration
Dieses auf dem Swin-Transformer basierende Erkennungsmodell fügt sich in die Bildanalyse-Kontinuum von der frühen Entdeckung bis zur translationsmedizinischen Forschung ein und unterstützt sowohl Hypothesentests als auch die Validierung von Biomarkern.
- Entdeckungsbiochemie: Verbessert die Hypothesenprüfung, indem sie objektive, quantitative bildgebende Messgrößen bereitstellt.
- Screening: Liefert reproduzierbare und skalierbare Nachweisergebnisse, die für Hochdurchsatz-Screening-Workflows geeignet sind.
- Analysen: Erzeugt quantitative Begrenzungsrahmen und Konfidenzwerte, die robuste statistische Vergleiche ermöglichen.
- Translationale Forschung: Verbindet Entdeckungs- und präklinische Phasen, indem sie bildgebende Ergebnisse mit Krankheitsendpunkten abstimmt.
- Unternehmensweite Wiederverwendung: Bietet eine wiederverwendbare und anpassbare Fähigkeit zur bildgebenden Analyse für vielfältige Krankheitsmodelle.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit und verringert mechanistische Mehrdeutigkeiten in bildgebenden Studien.
- Operationaler Wert: Standardisiert und automatisiert die Bildanalyse, wodurch die Reproduzierbarkeit und Skalierbarkeit verbessert wird.
- Strategischer Wert: Ermöglicht bessere Go/No-Go-Entscheidungen und eine effizientere Kapitalnutzung, indem der Aufwand für manuelle Überprüfungen reduziert wird.
- Portfolio-Wirkung: Unterstützt die risikoadjustierte Priorisierung und Weiterentwicklung bildgebungsbasierter Entdeckungsprogramme.
Durchführungsaspekte
- Erfordert Fachkenntnisse in maschinellem Lernen, medizinischer Bildgebung und Python-basierten Frameworks.
- Benötigt Zugang zu rechnerischer Infrastruktur mit GPU-Unterstützung für das Modelltraining und die Inferenz.
- Setzt eine standardisierte Vorgehensweise bei Bildgebungsprotokollen und Annotationen über mehrere Teams hinweg voraus.
- Die Anpassung an verschiedene Bildgebungsmodalitäten oder Krankheitsmodelle kann eine zusätzliche Validierung erfordern.
- Die Feinabstimmung von Hyperparametern und die Modellselektion sind entscheidend für optimale Leistung und Konvergenz.
