Model oparty na transformatorze Swin do wykrywania guzków tarczycy w obrazach ultrasonograficznych
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
Przegląd
Niniejsze badanie przedstawia nowatorskie podejście do wykrywania guzków tarczycy w obrazach ultrasonograficznych z wykorzystaniem modelu Swin Transformer. Zaproponowana metoda wykazuje poprawioną czułość i dokładność w wykrywaniu guzków.
Kluczowe elementy badania
Dziedzina nauki
- Obrazowanie medyczne
- Uczenie maszynowe
- Zdrowie tarczycy
Wprowadzenie
- Guzki tarczycy występują często i wymagają dokładnego wykrycia w celu postawienia właściwej diagnozy.
- Tradycyjne metody mogą być czasochłonne i subiektywne.
- Techniki uczenia maszynowego, w szczególności głębokie uczenie, wykazują duży potencjał w analizie obrazów medycznych.
- Swin Transformery są skuteczne w przechwytywaniu długozasięgowych informacji kontekstowych na obrazach.
Cel badania
- Opracowanie zautomatyzowanego systemu wykrywania guzków tarczycy.
- Zwiększenie czułości i dokładności wykrywania guzków w obrazach ultrasonograficznych.
- Zmniejszenie obciążenia pracą personelu medycznego.
Zastosowane metody
- Implementacja sieci detekcji guzków opartej na architekturze Swin Transformer.
- Trenowanie modelu z wykorzystaniem zbioru danych obrazów ultradźwiękowych.
- Wykorzystanie języka Python i biblioteki PyTorch do opracowania modelu.
- Techniki postprocesowania w celu udoskonalenia wyników detekcji.
Główne wyniki
- Model Swin Transformer osiągnął wysoką czułość i dokładność w wykrywaniu guzków tarczycy.
- Porównanie z innymi modelami, takimi jak FasterRCNN i YOLOv3, wykazało jego wyższą wydajność.
- Skuteczne dostrojenie hiperparametrów miało kluczowe znaczenie dla optymalnej pracy modelu.
- Wyniki przedstawiono wizualnie za pomocą ramek detekcji wyróżniających wyniki prawdziwie dodatnie oraz fałszywie dodatnie.
Wnioski
- Zaproponowany model znacząco poprawia wykrywalność guzków tarczycy.
- Automatyzacja wykrywania guzków może odciążyć kadrę medyczną.
- Przyszłe prace mogą skupić się na dalszym udoskonalaniu modelu i rozszerzeniu zakresu jego zastosowań.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Zautomatyzowane wykrywanie guzków tarczycy w obrazach ultrasonograficznych eliminuje krytyczne wąskie gardło w wczesnej identyfikacji chorób oraz stratyfikacji ryzyka. Integracja modeli opartych na Swin Transformer w przepływach pracy obrazowania na etapie odkrywania zwiększa pewność prognostyczną i umożliwia skalowalną oraz powtarzalną analizę dużych zbiorów danych. Możliwość ta ma bezpośrednie zastosowanie dla zespołów biofarmaceutycznych dążących do przyspieszenia odkrywania biomarkerów oraz badań translacyjnych w obszarze endokrynologii i onkologii.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia wysokoprzepustową, ilościową identyfikację cech istotnych dla choroby w zbiorach danych obrazowych.
- Wspiera obiektywną i powtarzalną walidację celu poprzez ograniczenie subiektywizmu operatora w wykrywaniu guzków.
- Poprawia ograniczanie ryzyka mechanistycznego dzięki uchwyceniu dalekosiężnych zależności kontekstowych w morfologii tkanki.
- Ułatwia triage portfolio poprzez dostarczanie solidnych i skalowalnych wyników analizy obrazu.
Przesiewanie i opracowywanie testu
- Przygotowuje zwalidowane zestawy danych obrazowych do późniejszego screeningu fenotypowego i analizy biomarkerów.
- Standaryzuje wyniki detekcji, wspierając powtarzalność oraz porównywalność między badaniami.
- Umożliwia skalowalny screening dużych kohort pacjentów w celu odkrywania biomarkerów translacyjnych.
- Dostarcza ilościowe wyniki w formie ramek ograniczających (bounding box) i wyników ufności (confidence score) dla rzetelnej oceny.
Badania translacyjne i przedkliniczne
- Umożliwia dopasowanie wyników obrazowania do punktów końcowych istotnych dla choroby w celu zachowania ciągłości translacyjnej.
- Wspiera decyzje o dalszym rozwoju projektu w oparciu o analizę ryzyka poprzez zwiększenie czułości i swoistości w zadaniach detekcyjnych.
- Umożliwia integrację biomarkerów obrazowania z potokami badań przedklinicznych i klinicznych.
- Zmniejsza ryzyko biologiczne na późnych etapach poprzez poprawę dokładności wczesnego wykrywania.
Integracja potoku i przepływu pracy
Ten model detekcji oparty na architekturze Swin Transformer wpisuje się w kontinuum analizy obrazowej – od wczesnego etapu odkryć po badania translacyjne, wspierając zarówno weryfikację hipotez, jak i walidację biomarkerów.
- Biologia odkrywcza: Wspiera weryfikację hipotez poprzez dostarczanie obiektywnych, ilościowych wyników obrazowania.
- Przesiewanie: Zapewnia powtarzalne i skalowalne wyniki detekcji, odpowiednie dla wysokoprzepustowych procesów przesiewowych.
- Analityka: Generuje ilościowe ramki ograniczające (bounding boxes) i wyniki ufności, umożliwiając solidne porównania statystyczne.
- Badania translacyjne: Łączy fazę odkryć z fazą przedkliniczną poprzez dopasowanie wyników obrazowania do punktów końcowych choroby.
- Ponowne wykorzystanie w organizacji: Zapewnia możliwość wielokrotnego wykorzystania i adaptacji analizy obrazowania dla różnorodnych modeli chorób.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i zmniejsza niejednoznaczność mechaniczną w badaniach opartych na obrazowaniu.
- Wartość operacyjna: Standaryzuje i automatyzuje analizę obrazów, poprawiając powtarzalność i skalowalność.
- Wartość strategiczna: Umożliwia lepsze podejmowanie decyzji typu go/no-go oraz zwiększa efektywność kapitałową poprzez zmniejszenie obciążenia związanego z ręczną weryfikacją.
- Wpływ na portfolio: Wspiera priorytetyzację dostosowaną do ryzyka oraz rozwój programów odkryć opartych na obrazowaniu.
Kwestie wdrożeniowe
- Wymagana jest wiedza specjalistyczna z zakresu uczenia maszynowego, obrazowania medycznego oraz frameworków opartych na języku Python.
- Niezbędny jest dostęp do infrastruktury obliczeniowej z jednostkami GPU w celu trenowania i wnioskowania modeli.
- Wymagana jest standaryzacja protokołów obrazowania i praktyk adnotacji pomiędzy zespołami.
- Adaptacja do różnych modalności obrazowania lub modeli chorób może wymagać dodatkowej walidacji.
- Strojenie hiperparametrów i wybór modelu są kluczowe dla osiągnięcia optymalnej wydajności i zbieżności.
