Un modèle basé sur un transformateur Swin pour la détection de nodules thyroïdiens dans des images échographiques
21 avril 2023
Ici, un nouveau modèle pour la détection des nodules thyroïdiens dans les images échographiques est proposé, qui utilise Swin Transformer comme épine dorsale pour effectuer une modélisation contextuelle à longue distance. Les expériences prouvent qu’il fonctionne bien en termes de sensibilité et de précision.
Ce programme met en œuvre une mesure automatique et efficace pour détecter les nodules thyroïdiens, ce qui pourrait réduire la charge de travail des médecins à l’avenir. Cette technique applique un transformateur Swin à un réseau de détection de nodules. Les transformateurs Swin sont efficaces pour capturer des informations de contenu à longue portée, ce qui est très utile pour améliorer la sensibilité de la détention des nodules.
Pour commencer, ouvrez un terminal sur la machine et installez Python 3.8 en tapant sudo apt-get install python3.8 dans la ligne de commande. Pour installer PyTorch 1.7, rendez-vous sur le site officiel de Miniconda et installez-le. Créez ensuite un environnement Conda en tapant la commande affichée à l’écran dans la ligne de commande et activez-la en tapant conda activate SwinFasterRCNN.
Installez PyTorch en écrivant la commande affichée dans la ligne de commande. Pour l’installation de détection MM, clonez à partir du référentiel GitHub officiel, puis installez MM Detection en écrivant la commande pip install v e dans la ligne de commande. Ouvrez le schedule_1x.
py dans l’éditeur de texte Vim et modifiez le fichier pour définir les paramètres par défaut liés à l’entraînement, y compris l’optimiseur, le taux d’apprentissage et epic. Commencez la formation en tapant la commande affichée à l’écran. Attendez que le réseau commence l’entraînement pour 48 épopées et que les poids entraînés résultants du réseau SwinFasterRCNN soient générés dans le dossier de sortie.
Enregistrez les poids du modèle avec la plus grande précision sur le jeu de validation. Après l’entraînement, sélectionnez le modèle présentant les meilleures performances sur le kit de validation pour la détection des nodules thyroïdiens dans les nouvelles images. Exécutez le script de test pour redimensionner l’image à 512 pixels par 512 pixels et la normaliser.
Attendez que le script charge automatiquement les paramètres de modèle pré-entraînés dans le SwinFasterRCNN et introduisez l’image prétraitée dans le SwinFasterRCNN pour inférence. Attendez que SwinFasterRCNN affiche la zone de prédiction pour chaque image. Enfin, autorisez le script à effectuer automatiquement le post-traitement NMS sur chaque image afin de supprimer les zones de détection en double.
Les résultats de détection pour la même image sont affichés dans une ligne donnée. Les colonnes représentent les résultats de détection pour SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet et DETR. Les vérités de terrain des régions sont marquées par des cases rectangulaires vertes.
Les résultats de détection sont encadrés par les cases rectangulaires rouges. Il est très important de sélectionner l’hyperparamètre approprié pour s’assurer que ceux-ci convergent, ce qui doit être déterminé par de nombreuses expériences.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cette étude présente une nouvelle approche pour détecter les nodules thyroïdiens dans les images d'échographie en utilisant un modèle Swin Transformer. La méthode proposée démontre une sensibilité et une précision améliorées dans la détection des nodules.
Composantes clés de l'étude
Domaine scientifique
- Imagerie médicale
- Apprentissage automatique
- Santé thyroïdienne
Contexte
- Les nodules thyroïdiens sont courants et nécessitent une détection précise pour un diagnostic adéquat.
- Les méthodes traditionnelles peuvent être chronophages et subjectives.
- Les techniques d'apprentissage automatique, en particulier le deep learning, ont montré des promesses dans l'analyse d'images médicales.
- Les Swin Transformers sont efficaces pour capturer des informations contextuelles à longue portée dans les images.
Objectif de l'étude
- Développer un système automatisé pour la détection des nodules thyroïdiens.
- Améliorer la sensibilité et la précision de la détection des nodules dans les images d'échographie.
- Réduire la charge de travail des professionnels de santé.
Méthodes utilisées
- Implémentation d'un réseau de détection de nodules basé sur un Swin Transformer.
- Entraînement du modèle avec un ensemble de données d'images d'échographie.
- Utilisation de Python et PyTorch pour le développement du modèle.
- Techniques de post-traitement pour affiner les résultats de détection.
Résultats principaux
- Le modèle Swin Transformer a atteint une sensibilité et une précision élevées dans la détection des nodules thyroïdiens.
- La comparaison avec d'autres modèles comme FasterRCNN et YOLOv3 a montré une performance supérieure.
- Un ajustement efficace des hyperparamètres était crucial pour une performance optimale du modèle.
- Les résultats ont été visuellement représentés avec des boîtes de détection mettant en évidence les vrais positifs et les faux positifs.
Conclusions
- Le modèle proposé améliore significativement la détection des nodules thyroïdiens.
- L'automatisation de la détection des nodules peut alléger la charge des prestataires de soins de santé.
- Les travaux futurs peuvent se concentrer sur l'amélioration du modèle et l'expansion de son applicabilité.
Questions fréquemment posées
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.
