21 kwietnia 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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
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.
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.
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.