基于Swin变压器的超声图像甲状腺结节检测模型

该计划实施自动和有效的措施来检测甲状腺结节，这可能会减少医生将来的工作量。该技术将Swin变压器应用于结核检测网络。Swin变压器可有效捕获远距离内容信息，对提高结核滞留的灵敏度非常有帮助。

首先，在机器上打开一个终端，通过在命令行中键入sudo apt-get install python3.8来安装Python 3.8。要安装 PyTorch 1.7，请访问 Miniconda 的官方网站并安装它。然后，通过在命令行中键入屏幕上显示的命令来创建Conda环境，并通过键入conda activate SwinFasterRCNN来激活它。

通过在命令行中编写所示命令来安装 PyTorch。对于 MM 检测安装，请从官方 GitHub 存储库克隆，然后通过在命令行中编写命令 pip install v e 来安装 MM 检测。打开schedule_1x。

py 文件，然后编辑该文件以设置默认的训练相关参数，包括优化器、学习率和史诗。通过键入屏幕上显示的命令开始训练。等待网络开始训练 48 个史诗，并在输出文件夹中生成生成的 SwinFasterRCNN 网络的训练权重。

在验证集上以最高精度保存模型权重。训练后，在新图像中选择在甲状腺结节检测验证集上性能最佳的模型。运行测试脚本，将图像大小调整为 512 x 512 像素并规范化。

等待脚本自动将预训练的模型参数加载到 SwinFasterRCNN，并将预处理的图像馈送到 SwinFasterRCNN 中进行推理。等待 SwinFasterRCNN 输出每个图像的预测框。最后，允许脚本自动对每个图像执行 NMS 后处理，以删除重复的检测框。

同一图像的检测结果显示在给定行中。这些列是 SwinFasterRCNN、FasterRCNN、YOLOv3、SSD、RetinaNet 和 DETR 的检测结果。这些区域的基本实况用绿色矩形框标记。

检测结果由红色矩形框。选择合适的超参数以确保收敛是非常重要的，这需要通过许多实验来确定。