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
본 연구는 Swin Transformer 모델을 사용하여 초음파 영상에서 갑상선 결절을 검출하는 새로운 접근 방식을 제시합니다. 제안된 방법은 결절 검출에 있어 향상된 민감도와 정확도를 보여줍니다.
주요 연구 구성 요소
과학 분야
- 의료 영상
- 머신 러닝
- 갑상선 건강
배경
- 갑상선 결절은 흔하게 나타나며, 적절한 진단을 위해 정확한 검출이 필요합니다.
- 전통적인 방법은 시간이 많이 소요될 수 있으며 주관적일 수 있습니다.
- 기계 학습 기술, 특히 딥러닝은 의료 영상 분석 분야에서 가능성을 보여주었습니다.
- Swin Transformers는 영상 내의 장거리 문맥 정보를 캡처하는 데 효과적입니다.
연구 목적
- 갑상선 결절 검출을 위한 자동화 시스템을 개발한다.
- 초음파 이미지 내 결절 검출의 민감도와 정확도를 향상시킨다.
- 의료 전문가의 업무 부하를 줄인다.
사용된 방법
- Swin Transformer 기반의 결절 검출 네트워크 구현.
- 초음파 영상 데이터셋을 이용한 모델 학습.
- 모델 개발을 위한 Python 및 PyTorch 활용.
- 검출 결과 정교화를 위한 후처리 기법.
주요 결과
- Swin Transformer 모델은 갑상선 결절 검출에서 높은 민감도와 정확도를 달성했습니다.
- FasterRCNN 및 YOLOv3와 같은 다른 모델과의 비교를 통해 우수한 성능을 보였습니다.
- 최적의 모델 성능을 위해 효과적인 하이퍼파라미터 튜닝이 매우 중요했습니다.
- 결과는 진양성(true positive)과 위양성(false positive)을 강조하는 검출 박스로 시각화하여 나타냈습니다.
결론
- 제안된 모델은 갑상선 결절 검출 능력을 유의미하게 향상시킵니다.
- 결절 검출의 자동화는 의료 제공자의 부담을 완화할 수 있습니다.
- 향후 연구는 모델의 추가적인 정밀화와 적용 가능성 확대에 집중할 수 있습니다.
자주 묻는 질문
산업적 관련성 요약
초음파 영상 내 갑상선 결절의 자동 검출은 질병의 조기 발견 및 위험 층화의 결정적인 병목 구간을 해결합니다. 탐색 단계의 영상 워크플로우에 Swin Transformer 기반 모델을 통합하면 예측 신뢰도를 높일 수 있으며, 대규모 데이터 세트 전반에서 확장 가능하고 재현 가능한 분석을 지원합니다. 이러한 역량은 내분비 및 종양학 포트폴리오에서 바이오마커 발견과 중개 연구를 가속화하고자 하는 바이오 제약 팀에 직접적인 도움이 됩니다.
바이오 제약 R&D의 전략적 응용
초기 발견 및 타겟 검증
- 이미징 데이터 세트에서 질병 관련 특성의 고처리량 정량적 식별을 가능하게 합니다.
- 결절 검출 시 작업자의 주관성을 줄여 객관적이고 재현 가능한 타겟 검증을 지원합니다.
- 조직 형태의 장거리 문맥 의존성을 포착하여 기전적 위험 제거(de-risking)를 개선합니다.
- 강력하고 확장 가능한 이미지 분석 결과물을 제공함으로써 포트폴리오 선별(triage)을 용이하게 합니다.
스크리닝 및 어세이 개발
- 하위 표현형 스크리닝 및 바이오마커 분석을 위해 검증된 이미징 데이터셋을 준비합니다.
- 검출 출력물을 표준화하여 재현성과 연구 간 비교 가능성을 지원합니다.
- 중개 바이오마커 발굴을 위해 대규모 환자 코호트의 확장 가능한 스크리닝을 가능하게 합니다.
- 신뢰할 수 있는 평가를 위해 정량적 바운딩 박스 및 신뢰 점수 출력값을 제공합니다.
중개 및 전임상 연구
- 중계 연구의 연속성을 위해 영상 출력물을 질환 관련 엔드포인트와 일치시킵니다.
- 검출 작업의 민감도와 특이도를 향상시켜 위험 조정된 진행 결정 과정을 지원합니다.
- 전임상 및 임상 연구 파이프라인에 영상 바이오마커의 통합을 가능하게 합니다.
- 조기 검출 정확도를 높여 후기 단계의 생물학적 위험을 줄입니다.
파이프라인 및 워크플로우 통합
이 Swin Transformer 기반 검출 모델은 초기 발견부터 중개 연구에 이르는 영상 분석 연속체에 적합하며, 가설 검증과 바이오마커 검증을 모두 지원합니다.
- 발견 생물학: 객관적이고 정량적인 이미징 판독값을 제공하여 가설 검증을 강화합니다.
- 스크리닝: 고속 스크리닝 워크플로우에 적합한 재현 가능하고 확장 가능한 검출 출력을 제공합니다.
- 분석: 정량적인 바운딩 박스와 신뢰도 점수를 출력하여 강력한 통계적 비교를 가능하게 합니다.
- 중개 연구: 이미징 출력을 질환 종점과 일치시킴으로써 발견 단계와 전임상 단계 사이를 연결합니다.
- 기업 내 재사용: 다양한 질환 모델에 적용 가능한 재사용 및 최적화가 가능한 이미징 분석 기능을 제공합니다.
운영 및 기업 영향
- 과학적 가치: 이미지 기반 연구에서 예측 신뢰도를 높이고 기전적 모호성을 줄입니다.
- 운영적 가치: 이미지 분석을 표준화 및 자동화하여 재현성과 확장성을 개선합니다.
- 전략적 가치: 수동 검토 부담을 줄여 더 나은 go/no-go 의사결정과 자본 효율성을 가능하게 합니다.
- 포트폴리오 영향: 위험 조정 우선순위 설정과 이미지 기반 발견 프로그램의 진전을 지원합니다.
실행 시 고려 사항
- 머신러닝, 의료 영상 및 Python 기반 프레임워크에 대한 전문 지식이 필요합니다.
- 모델 훈련 및 추론을 위해 GPU가 탑재된 컴퓨팅 인프라에 대한 접근 권한이 필요합니다.
- 영상 프로토콜 및 어노테이션 관행에 대한 팀 간 표준화가 요구됩니다.
- 서로 다른 영상 양상이나 질병 모델에 적용할 경우 추가적인 검증이 필요할 수 있습니다.
- 최적의 성능과 수렴을 위해 하이퍼파라미터 튜닝 및 모델 선택이 매우 중요합니다.
