초음파 영상에서 갑상선 결절 검출을 위한 Swin Transformer 기반 모델
2023년 4월 21일
여기에서는 Swin Transformer를 백본으로 사용하여 장거리 컨텍스트 모델링을 수행하는 초음파 영상에서 갑상선 결절 감지를 위한 새로운 모델을 제안합니다. 실험은 감도와 정확성 측면에서 잘 수행된다는 것을 증명합니다.
이 프로그램은 갑상선 결절을 감지하기 위한 자동적이고 효율적인 조치를 구현하여 향후 의사의 업무량을 줄일 수 있습니다. 이 기술은 Swin 변압기를 결절 검출 네트워크에 적용합니다. Swin Transformers는 장거리 콘텐츠 정보를 캡처하는 데 효과적이며, 이는 결절 구금의 감도를 향상시키는 데 매우 도움이 됩니다.
시작하려면 컴퓨터에서 터미널을 열고 명령줄에 sudo apt-get install python3.8을 입력하여 Python 3.8을 설치합니다. PyTorch 1.7을 설치하려면 Miniconda의 공식 웹 사이트로 이동하여 설치하십시오. 그런 다음, 명령줄에 화면에 표시된 명령을 입력하여 Conda 환경을 만들고 conda activate SwinFasterRCNN을 입력하여 활성화합니다.
명령줄에 표시된 명령을 작성하여 PyTorch를 설치합니다. MM 검색 설치의 경우 공식 GitHub 리포지토리에서 복제한 다음 명령줄에 pip install v e 명령을 작성하여 MM 검색을 설치합니다. schedule_1x 엽니다.
py 파일을 열고 파일을 편집하여 옵티마이저, 학습률 및 epic을 포함한 기본 훈련 관련 매개 변수를 설정합니다. 화면에 표시된 명령을 입력하여 학습을 시작합니다. 신경망이 48개의 에픽에 대한 훈련을 시작할 때까지 기다리고, SwinFasterRCNN 신경망의 훈련된 결과 가중치가 출력 폴더에 생성될 때까지 기다립니다.
검증 세트에서 가장 높은 정확도로 모델 가중치를 저장합니다. 훈련 후, 새 이미지에서 갑상선 결절 검출을 위해 설정된 검증에서 가장 성능이 좋은 모델을 선택합니다. 테스트 스크립트를 실행하여 이미지 크기를 512 x 512 픽셀로 조정하고 정규화합니다.
스크립트가 미리 학습된 모델 매개 변수를 SwinFasterRCNN에 자동으로 로드하고 유추를 위해 미리 처리된 이미지를 SwinFasterRCNN에 공급할 때까지 기다립니다. SwinFasterRCNN이 각 이미지에 대한 예측 상자를 출력할 때까지 기다립니다. 마지막으로, 스크립트가 각 이미지에 대해 NMS 사후 처리를 자동으로 수행하여 중복 탐지 상자를 제거하도록 합니다.
동일한 이미지에 대한 감지 결과가 지정된 행에 표시됩니다. 열은 SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet 및 DETR에 대한 검색 결과입니다. 지역의 실측 자료는 녹색 직사각형 상자로 표시됩니다.
감지 결과는 빨간색 직사각형 상자로 구성됩니다. 많은 실험에 의해 결정되어야 하는 수렴을 보장하기 위해 적절한 하이퍼 매개변수를 선택하는 것이 매우 중요합니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
이 연구는 Swin Transformer 모델을 사용하여 초음파 이미지에서 갑상선 결절을 검출하는 새로운 접근법을 제시합니다. 제안된 방법은 결절 검출의 민감도와 정확도를 향상시킵니다.
주요 연구 구성 요소
과학 분야
- 의료 영상
- 기계 학습
- 갑상선 건강
배경
- 갑상선 결절은 일반적이며 적절한 진단을 위해 정확한 검출이 필요합니다.
- 기존 방법은 시간이 많이 소요되고 주관적일 수 있습니다.
- 기계 학습 기술, 특히 심층 학습은 의료 이미지 분석에서 약속을 보여주었습니다.
- Swin Transformer는 이미지의 장거리 상황 정보를 효과적으로 포착합니다.
연구 목적
- 갑상선 결절 검출을 위한 자동화된 시스템을 개발합니다.
- 초음파 이미지에서 결절 검출의 민감도와 정확도를 향상시킵니다.
- 의료 전문가의 업무량을 줄입니다.
사용된 방법
- Swin Transformer 기반 결절 검출 네트워크의 구현.
- 초음파 이미지 데이터셋으로 모델 학습.
- 모델 개발을 위한 Python과 PyTorch의 사용.
- 검출 결과를 개선하기 위한 사후 처리 기술.
주요 결과
- Swin Transformer 모델은 갑상선 결절 검출에서 높은 민감도와 정확도를 달성했습니다.
- FasterRCNN 및 YOLOv3과 같은 다른 모델과의 비교에서 우수한 성능을 보였습니다.
- 최적의 모델 성능을 위해 효과적인 하이퍼파라미터 튜닝이 중요했습니다.
- 결과는 진위 양성 및 위양성을 강조하는 검출 상자로 시각적으로 표현되었습니다.
결론
- 제안된 모델은 갑상선 결절의 검출을 크게 향상시킵니다.
- 결절 검출의 자동화는 의료 제공자의 부담을 줄일 수 있습니다.
- 향후 연구는 모델을 더욱 개선하고 적용 가능성을 확장하는 데 초점을 맞출 수 있습니다.
자주 묻는 질문
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.
