$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
In de afgelopen jaren is de incidentie van schildklierkanker toegenomen. Detectie van schildklierknobbels is van cruciaal belang voor zowel de detectie als de behandeling van schildklierkanker. Convolutionele neurale netwerken (CNN's) hebben goede resultaten behaald bij schildklier echografie beeldanalysetaken. Vanwege het beperkte geldige receptieve veld van convolutionele lagen, slagen CNN's er echter niet in om contextuele afhankelijkheden op lange afstand vast te leggen, die belangrijk zijn voor het identificeren van schildklierknobbels in echografiebeelden. Transformatornetwerken zijn effectief in het vastleggen van contextuele informatie over lange afstand. Geïnspireerd door dit, stellen we een nieuwe schildklierknobbeldetectiemethode voor die de Swin Transformer-backbone en Faster R-CNN combineert. Concreet wordt een echografisch beeld eerst geprojecteerd in een 1D-reeks inbeddingen, die vervolgens worden ingevoerd in een hiërarchische Swin-transformator.
De Swin Transformer-backbone extraheert functies op vijf verschillende schalen door gebruik te maken van verschoven vensters voor de berekening van zelfaandacht. Vervolgens wordt een feature pyramid network (FPN) gebruikt om de functies van verschillende schalen samen te voegen. Ten slotte wordt een detectiekop gebruikt om begrenzingskaders en de bijbehorende betrouwbaarheidsscores te voorspellen. Gegevens verzameld van 2.680 patiënten werden gebruikt om de experimenten uit te voeren, en de resultaten toonden aan dat deze methode de beste mAP-score van 44,8% behaalde, beter dan cnn-gebaseerde baselines. Bovendien kregen we een betere gevoeligheid (90,5%) dan de concurrenten. Dit geeft aan dat contextmodellering in dit model effectief is voor detectie van schildklierknobbels.