Model oparty na transformatorze Swin do wykrywania guzków tarczycy w obrazach ultrasonograficznych
April 21st, 2023
Tutaj zaproponowano nowy model wykrywania guzków tarczycy na obrazach ultrasonograficznych, który wykorzystuje transformator Swin jako szkielet do wykonywania modelowania kontekstowego dalekiego zasięgu. Eksperymenty dowodzą, że radzi sobie dobrze pod względem czułości i dokładności.
Program ten wdraża automatyczny i skuteczny środek do wykrywania guzków tarczycy, co może w przyszłości zmniejszyć obciążenie lekarzy. Ta technika wykorzystuje transformator Swin do sieci wykrywania guzków. Transformatory Swin są skuteczne w przechwytywaniu informacji o treściach z dużej odległości, co jest bardzo pomocne w poprawie czułości zatrzymywania guzków.
Aby rozpocząć, otwórz terminal na komputerze i zainstaluj Pythona 3.8, wpisując sudo apt-get install python3.8 w wierszu poleceń. Aby zainstalować PyTorch 1.7, przejdź do oficjalnej strony internetowej Miniconda i zainstaluj go. Następnie utwórz środowisko Conda, wpisując polecenie wyświetlane na ekranie w wierszu poleceń i aktywuj je, wpisując conda activate SwinFasterRCNN.
Zainstaluj PyTorch, wpisując pokazane polecenie w wierszu polecenia. W przypadku instalacji wykrywania MM sklonuj z oficjalnego repozytorium GitHub, a następnie zainstaluj MM Detection, wpisując polecenie install v e w wierszu polecenia. Otwórz schedule_1x.
py w edytorze tekstu Vim i edytuj plik, aby ustawić domyślne parametry związane z trenowaniem, w tym optymalizator, szybkość uczenia się i epik. Rozpocznij szkolenie, wpisując polecenie wyświetlane na ekranie. Poczekaj, aż sieć rozpocznie trenowanie dla 48 epików i wynikowe wytrenowane wagi sieci SwinFasterRCNN zostaną wygenerowane w folderze wyjściowym.
Zapisz wagi modelu z najwyższą dokładnością w zestawie walidacji. Po wytrenowaniu wybierz model o najlepszej wydajności w zestawie walidacji do wykrywania guzków tarczycy na nowych obrazach. Uruchom skrypt testowy, aby zmienić rozmiar obrazu na 512 pikseli na 512 pikseli i znormalizować go.
Poczekaj, aż skrypt automatycznie załaduje wstępnie wytrenowane parametry modelu do SwinFasterRCNN i przekaż wstępnie przetworzony obraz do SwinFasterRCNN w celu wnioskowania. Poczekaj, aż SwinFasterRCNN wyświetli pole przewidywania dla każdego obrazu. Na koniec zezwól skryptowi na automatyczne przetwarzanie końcowe NMS na każdym obrazie, aby usunąć pola wykrywania duplikatów.
Wyniki wykrywania dla tego samego obrazu są wyświetlane w danym wierszu. Kolumny zawierają wyniki wykrywania dla SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet i DETR. Podstawowe prawdy regionów są oznaczone zielonymi prostokątnymi ramkami.
Wyniki wykrywania są obramowane czerwonymi prostokątnymi polami. Bardzo ważne jest, aby wybrać odpowiedni hiperparametr, aby zapewnić te zbieżności, które muszą być określone przez wiele eksperymentów.
View the full transcript and gain access to thousands of scientific videos
Przegląd
To badanie przedstawia nowatorskie podejście do wykrywania guzków tarczycy na obrazach ultrasonograficznych z wykorzystaniem modelu Swin Transformer. Zaproponowana metoda wykazuje poprawioną czułość i dokładność w wykrywaniu guzków.
Kluczowe elementy badania
Dziedzina nauki
- Wizualizacja medyczna
- Uczenie maszynowe
- Zdrowie tarczycy
Tło
- Guzki tarczycy są powszechne i wymagają dokładnego wykrycia dla właściwej diagnozy.
- Tradycyjne metody mogą być czasochłonne i subiektywne.
- Techniki uczenia maszynowego, szczególnie głębokie uczenie, wykazują obiecujące wyniki w analizie obrazów medycznych.
- Swin Transformers są skuteczne w uchwytywaniu długozasięgowych informacji kontekstowych na obrazach.
Cel badania
- Opracowanie zautomatyzowanego systemu do wykrywania guzków tarczycy.
- Poprawa czułości i dokładności wykrywania guzków na obrazach ultrasonograficznych.
- Zmniejszenie obciążenia pracowników służby zdrowia.
Zastosowane metody
- Implementacja sieci do wykrywania guzków opartej na Swin Transformer.
- Trening modelu z zestawem danych obrazów ultrasonograficznych.
- Wykorzystanie Pythona i PyTorch do opracowania modelu.
- Techniki pozakresowe do udoskonalania wyników wykrywania.
Główne wyniki
- Model Swin Transformer osiągnął wysoką czułość i dokładność w wykrywaniu guzków tarczycy.
- Porównanie z innymi modelami, takimi jak FasterRCNN i YOLOv3, wykazało lepszą wydajność.
- Skuteczna kalibracja hiperparametrów była kluczowa dla optymalnej wydajności modelu.
- Wyniki zostały wizualnie przedstawione za pomocą pudełek wykrywania, podkreślających prawdziwe dodatnie i fałszywie dodatnie.
Wnioski
- Zaproponowany model znacznie poprawia wykrywanie guzków tarczycy.
- Automatyzacja wykrywania guzków może zmniejszyć obciążenie pracowników służby zdrowia.
- Przyszłe prace mogą skupiać się na dalszym udoskonaleniu modelu i rozszerzeniu jego zastosowania.
Często zadawane pytania
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.
