Un modello basato su trasformatore swin per il rilevamento di noduli tiroidei nelle immagini ecografiche
April 21st, 2023
Qui viene proposto un nuovo modello per il rilevamento dei noduli tiroidei nelle immagini ecografiche, che utilizza Swin Transformer come spina dorsale per eseguire la modellazione del contesto a lungo raggio. Gli esperimenti dimostrano che funziona bene in termini di sensibilità e precisione.
Questo programma implementa una misura automatica ed efficiente per rilevare i noduli tiroidei, che potrebbe ridurre il carico di lavoro dei medici in futuro. Questa tecnica applica un trasformatore Swin a una rete di rilevamento dei noduli. I trasformatori Swin sono efficaci nell'acquisizione di informazioni sui contenuti a lungo raggio, il che è molto utile per migliorare la sensibilità della detenzione dei noduli.
Per iniziare, aprire un terminale sulla macchina e installare Python 3.8 digitando sudo apt-get install python3.8 nella riga di comando. Per installare PyTorch 1.7, visitare il sito Web ufficiale di Miniconda e installarlo. Quindi creare un ambiente Conda digitando il comando visualizzato sullo schermo nella riga di comando e attivarlo digitando conda activate SwinFasterRCNN.
Installare PyTorch scrivendo il comando mostrato nella riga di comando. Per l'installazione di rilevamento MM, clonare dal repository GitHub ufficiale, quindi installare MM Detection scrivendo il comando pip install v e nella riga di comando. Aprire il schedule_1x.
py nell'editor di testo Vim e modifica il file per impostare i parametri predefiniti relativi all'allenamento, inclusi ottimizzatore, tasso di apprendimento ed epic. Iniziare l'addestramento digitando il comando visualizzato sullo schermo. Attendere che la rete inizi l'addestramento per 48 epiche e che i pesi addestrati risultanti della rete SwinFasterRCNN vengano generati nella cartella di output.
Salvate i pesi del modello con la massima precisione sul set di convalida. Dopo l'addestramento, selezionare il modello con le migliori prestazioni sul set di convalida per il rilevamento dei noduli tiroidei nelle nuove immagini. Eseguire lo script di test per ridimensionare l'immagine a 512 pixel per 512 pixel e normalizzarla.
Attendere che lo script carichi automaticamente i parametri del modello pre-addestrati in SwinFasterRCNN e inserire l'immagine pre-elaborata in SwinFasterRCNN per l'inferenza. Attendere che SwinFasterRCNN restituisca la casella di previsione per ogni immagine. Infine, consentire allo script di eseguire automaticamente la post-elaborazione NMS su ciascuna immagine per rimuovere le caselle di rilevamento duplicate.
I risultati del rilevamento per la stessa immagine vengono visualizzati in una determinata riga. Le colonne sono i risultati del rilevamento per SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet e DETR. Le verità di base delle regioni sono contrassegnate da caselle rettangolari verdi.
I risultati del rilevamento sono incorniciati dalle caselle rettangolari rosse. È molto importante selezionare l'iperparametro appropriato per garantire che quelle convergenze debbano essere determinate da molti esperimenti.
View the full transcript and gain access to thousands of scientific videos
Panoramica
Questo studio presenta un approccio innovativo per la rilevazione di noduli tiroidei in immagini ecografiche utilizzando un modello Swin Transformer. Il metodo proposto dimostra una sensibilità e accuratezza migliorate nella rilevazione dei noduli.
Componenti principali dello studio
Area della scienza
- Imaging medico
- Apprendimento automatico
- Salute della tiroide
Contesto
- I noduli tiroidei sono comuni e richiedono una rilevazione accurata per una diagnosi corretta.
- I metodi tradizionali possono essere dispendiosi in termini di tempo e soggettivi.
- Le tecniche di apprendimento automatico, in particolare il deep learning, hanno mostrato risultati promettenti nell'analisi delle immagini mediche.
- Gli Swin Transformers sono efficaci nel catturare informazioni contestuali a lungo raggio nelle immagini.
Obiettivo dello studio
- Sviluppare un sistema automatizzato per la rilevazione di noduli tiroidei.
- Migliorare la sensibilità e l'accuratezza della rilevazione dei noduli nelle immagini ecografiche.
- Ridurre il carico di lavoro dei professionisti sanitari.
Metodi utilizzati
- Implementazione di una rete di rilevazione dei noduli basata su Swin Transformer.
- Addestramento del modello con un dataset di immagini ecografiche.
- Utilizzo di Python e PyTorch per lo sviluppo del modello.
- Tecniche di post-elaborazione per perfezionare i risultati di rilevazione.
Principali risultati
- Il modello Swin Transformer ha raggiunto un'alta sensibilità e accuratezza nella rilevazione dei noduli tiroidei.
- Il confronto con altri modelli come FasterRCNN e YOLOv3 ha mostrato prestazioni superiori.
- Un'efficace messa a punto degli iperparametri è stata cruciale per le prestazioni ottimali del modello.
- I risultati sono stati rappresentati visivamente con scatole di rilevazione che evidenziano veri positivi e falsi positivi.
Conclusioni
- Il modello proposto migliora significativamente la rilevazione dei noduli tiroidei.
- L'automazione nella rilevazione dei noduli può alleviare il carico sui professionisti sanitari.
- Il lavoro futuro potrebbe concentrarsi sull'ulteriore perfezionamento del modello e sull'espansione della sua applicabilità.
Domande frequenti
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.
