Ce programme met en œuvre une mesure automatique et efficace pour détecter les nodules thyroïdiens, ce qui pourrait réduire la charge de travail des médecins à l’avenir. Cette technique applique un transformateur Swin à un réseau de détection de nodules. Les transformateurs Swin sont efficaces pour capturer des informations de contenu à longue portée, ce qui est très utile pour améliorer la sensibilité de la détention des nodules.
Pour commencer, ouvrez un terminal sur la machine et installez Python 3.8 en tapant sudo apt-get install python3.8 dans la ligne de commande. Pour installer PyTorch 1.7, rendez-vous sur le site officiel de Miniconda et installez-le. Créez ensuite un environnement Conda en tapant la commande affichée à l’écran dans la ligne de commande et activez-la en tapant conda activate SwinFasterRCNN.
Installez PyTorch en écrivant la commande affichée dans la ligne de commande. Pour l’installation de détection MM, clonez à partir du référentiel GitHub officiel, puis installez MM Detection en écrivant la commande pip install v e dans la ligne de commande. Ouvrez le schedule_1x.
py dans l’éditeur de texte Vim et modifiez le fichier pour définir les paramètres par défaut liés à l’entraînement, y compris l’optimiseur, le taux d’apprentissage et epic. Commencez la formation en tapant la commande affichée à l’écran. Attendez que le réseau commence l’entraînement pour 48 épopées et que les poids entraînés résultants du réseau SwinFasterRCNN soient générés dans le dossier de sortie.
Enregistrez les poids du modèle avec la plus grande précision sur le jeu de validation. Après l’entraînement, sélectionnez le modèle présentant les meilleures performances sur le kit de validation pour la détection des nodules thyroïdiens dans les nouvelles images. Exécutez le script de test pour redimensionner l’image à 512 pixels par 512 pixels et la normaliser.
Attendez que le script charge automatiquement les paramètres de modèle pré-entraînés dans le SwinFasterRCNN et introduisez l’image prétraitée dans le SwinFasterRCNN pour inférence. Attendez que SwinFasterRCNN affiche la zone de prédiction pour chaque image. Enfin, autorisez le script à effectuer automatiquement le post-traitement NMS sur chaque image afin de supprimer les zones de détection en double.
Les résultats de détection pour la même image sont affichés dans une ligne donnée. Les colonnes représentent les résultats de détection pour SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet et DETR. Les vérités de terrain des régions sont marquées par des cases rectangulaires vertes.
Les résultats de détection sont encadrés par les cases rectangulaires rouges. Il est très important de sélectionner l’hyperparamètre approprié pour s’assurer que ceux-ci convergent, ce qui doit être déterminé par de nombreuses expériences.
