Un modelo basado en transformador de Swin para la detección de nódulos tiroideos en imágenes de ultrasonido
21 de abril de 2023
Aquí, se propone un nuevo modelo para la detección de nódulos tiroideos en imágenes de ultrasonido, que utiliza Swin Transformer como columna vertebral para realizar modelos de contexto de largo alcance. Los experimentos demuestran que funciona bien en términos de sensibilidad y precisión.
Este programa implementa una medida automática y eficiente para detectar nódulos tiroideos, lo que puede reducir la carga de trabajo de los médicos en el futuro. Esta técnica aplica un transformador Swin a una red de detección de nódulos. Los Transformers Swin son efectivos para capturar información de contenido de largo alcance, lo cual es muy útil para mejorar la sensibilidad de la detención de nódulos.
Para comenzar, abra un terminal en la máquina e instale Python 3.8 escribiendo sudo apt-get install python3.8 en la línea de comandos. Para instalar PyTorch 1.7, vaya al sitio web oficial de Miniconda e instálelo. Luego cree un entorno Conda escribiendo el comando que se muestra en la pantalla en la línea de comandos, y actívelo escribiendo conda activate SwinFasterRCNN.
Instale PyTorch escribiendo el comando mostrado en la línea de comandos. Para la instalación de detección de MM, clone desde el repositorio oficial de GitHub y luego instale MM Detection escribiendo el comando pip install v e en la línea de comandos. Abra el schedule_1x.
py en el editor de texto Vim y edite el archivo para establecer los parámetros predeterminados relacionados con el entrenamiento, incluidos el optimizador, la tasa de aprendizaje y la épica. Comience el entrenamiento escribiendo el comando que se muestra en la pantalla. Espere a que la red comience el entrenamiento para 48 epopeyas y a que los pesos entrenados resultantes de la red SwinFasterRCNN se generen en la carpeta de salida.
Guarde los pesos del modelo con la mayor precisión en el conjunto de validación. Después del entrenamiento, seleccione el modelo con el mejor rendimiento en el conjunto de validación para la detección de nódulos tiroideos en las nuevas imágenes. Ejecute el script de prueba para cambiar el tamaño de la imagen a 512 píxeles por 512 píxeles y normalizarla.
Espere a que el script cargue automáticamente los parámetros del modelo entrenado previamente en SwinFasterRCNN y alimente la imagen preprocesada en SwinFasterRCNN para su inferencia. Espere a que SwinFasterRCNN genere el cuadro de predicción para cada imagen. Finalmente, permita que el script realice automáticamente el posprocesamiento NMS en cada imagen para eliminar los cuadros de detección duplicados.
Los resultados de detección de la misma imagen se muestran en una fila determinada. Las columnas son los resultados de detección para SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet y DETR. Las verdades básicas de las regiones están marcadas con cajas rectangulares verdes.
Los resultados de detección están enmarcados por las cajas rectangulares rojas. Es muy importante seleccionar el hiperparámetro apropiado para garantizar que converjan lo que debe determinarse mediante muchos experimentos.
Vea la transcripción completa y acceda a miles de videos científicos
Visión general
Este estudio presenta un enfoque novedoso para detectar nódulos tiroideos en imágenes de ultrasonido utilizando un modelo Swin Transformer. El método propuesto demuestra una sensibilidad y precisión mejoradas en la detección de nódulos.
Componentes clave del estudio
Área de la ciencia
- Imágenes médicas
- Aprendizaje automático
- Salud tiroidea
Antecedentes
- Los nódulos tiroideos son comunes y requieren una detección precisa para un diagnóstico adecuado.
- Los métodos tradicionales pueden ser laboriosos y subjetivos.
- Las técnicas de aprendizaje automático, particularmente el aprendizaje profundo, han mostrado promesas en el análisis de imágenes médicas.
- Los Swin Transformers son efectivos para capturar información contextual de largo alcance en imágenes.
Propósito del estudio
- Desarrollar un sistema automatizado para la detección de nódulos tiroideos.
- Mejorar la sensibilidad y precisión de la detección de nódulos en imágenes de ultrasonido.
- Reducir la carga de trabajo de los profesionales de la salud.
Métodos utilizados
- Implementación de una red de detección de nódulos basada en Swin Transformer.
- Entrenamiento del modelo con un conjunto de datos de imágenes de ultrasonido.
- Uso de Python y PyTorch para el desarrollo del modelo.
- Técnicas de post-procesamiento para refinar los resultados de detección.
Principales resultados
- El modelo Swin Transformer logró una alta sensibilidad y precisión en la detección de nódulos tiroideos.
- La comparación con otros modelos como FasterRCNN y YOLOv3 mostró un rendimiento superior.
- El ajuste efectivo de hiperparámetros fue crucial para un rendimiento óptimo del modelo.
- Los resultados se representaron visualmente con cajas de detección que destacan los verdaderos positivos y falsos positivos.
Conclusiones
- El modelo propuesto mejora significativamente la detección de nódulos tiroideos.
- La automatización en la detección de nódulos puede aliviar la carga de los proveedores de atención médica.
- El trabajo futuro puede centrarse en refinar aún más el modelo y expandir su aplicabilidad.
Preguntas frecuentes
Executive Industry Relevance
Automated detection of thyroid nodules in ultrasound images addresses a critical bottleneck in early disease identification and risk stratification. Integrating Swin Transformer-based models into discovery-stage imaging workflows enhances predictive confidence and supports scalable, reproducible analysis across large datasets. This capability is directly relevant for biopharma teams seeking to accelerate biomarker discovery and translational research in endocrine and oncology portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables high-throughput, quantitative identification of disease-relevant features in imaging datasets.
- Supports objective, reproducible target validation by reducing operator subjectivity in nodule detection.
- Improves mechanistic de-risking by capturing long-range contextual dependencies in tissue morphology.
- Facilitates portfolio triage by providing robust, scalable image analysis outputs.
Screening & Assay Development
- Prepares validated imaging datasets for downstream phenotypic screening and biomarker analysis.
- Standardizes detection outputs, supporting reproducibility and cross-study comparability.
- Enables scalable screening of large patient cohorts for translational biomarker discovery.
- Provides quantitative bounding box and confidence score outputs for reliable evaluation.
Translational & Preclinical Research
- Aligns imaging outputs with disease-relevant endpoints for translational continuity.
- Supports risk-adjusted advancement decisions by improving sensitivity and specificity in detection tasks.
- Enables integration of imaging biomarkers into preclinical and clinical research pipelines.
- Reduces late-stage biological risk by improving early detection accuracy.
Pipeline & Workflow Integration
This Swin Transformer-based detection model fits within the imaging analysis continuum from early discovery through translational research, supporting both hypothesis testing and biomarker validation.
- Discovery Biology: Enhances hypothesis testing by providing objective, quantitative imaging readouts.
- Screening: Delivers reproducible, scalable detection outputs suitable for high-throughput screening workflows.
- Analytics: Outputs quantitative bounding boxes and confidence scores, enabling robust statistical comparisons.
- Translational Research: Bridges discovery and preclinical phases by aligning imaging outputs with disease endpoints.
- Enterprise Reuse: Provides a reusable, adaptable imaging analysis capability for diverse disease models.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in imaging-based studies.
- Operational Value: Standardizes and automates image analysis, improving reproducibility and scalability.
- Strategic Value: Enables better go/no-go decisions and capital efficiency by reducing manual review burden.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of imaging-driven discovery programs.
Implementation Considerations
- Requires expertise in machine learning, medical imaging, and Python-based frameworks.
- Needs access to GPU-enabled computational infrastructure for model training and inference.
- Demands cross-team standardization of imaging protocols and annotation practices.
- Adaptation across different imaging modalities or disease models may require additional validation.
- Hyperparameter tuning and model selection are critical for optimal performance and convergence.
