超音波画像における甲状腺結節検出のためのSwinトランスベースのモデル

このプログラムは、甲状腺結節を検出するための自動的かつ効率的な手段を実装しており、将来的に医師の作業負荷を軽減する可能性があります。この手法は、Swin トランスを結節検出ネットワークに適用します。Swin Transformersは、長距離コンテンツ情報のキャプチャに効果的であり、結節留の感度を向上させるのに非常に役立ちます。

まず、マシンでターミナルを開き、コマンドラインにsudo apt-get install python3.8と入力してPython 3.8をインストールします。PyTorch 1.7をインストールするには、Minicondaの公式Webサイトにアクセスしてインストールします。次に、画面に表示されるコマンドをコマンドラインに入力してコンマ環境を作成し、「コンダアクティベートSwinFasterRCNN」と入力してアクティブ化します。

PyTorch をインストールするには、コマンド ラインに示されているコマンドを記述します。MM 検出のインストールの場合は、公式の GitHub リポジトリから複製し、コマンド ラインにコマンド pip install v e を記述して MM 検出をインストールします。schedule_1xを開きます。

Py ファイルを Vim テキストエディタで実行し、ファイルを編集して、オプティマイザー、学習率、エピックなどのデフォルトのトレーニング関連パラメータを設定します。画面に表示されるコマンドを入力してトレーニングを開始します。ネットワークが 48 エピックのトレーニングを開始し、SwinFasterRCNN ネットワークのトレーニング済みの重みが出力フォルダーに生成されるのを待ちます。

検証セットに最も高い精度でモデルの重みを保存します。トレーニング後、新しい画像で甲状腺結節を検出するための検証セットで最高のパフォーマンスを持つモデルを選択します。テスト スクリプトを実行して、画像のサイズを 512 x 512 ピクセルに変更し、正規化します。

スクリプトが事前トレーニング済みのモデル パラメーターを SwinFasterRCNN に自動的に読み込むのを待ち、推論のために前処理された画像を SwinFasterRCNN にフィードします。SwinFasterRCNN が各画像の予測ボックスを出力するのを待ちます。最後に、スクリプトが各画像に対して NMS 後処理を自動的に実行して、重複データ検出ボックスを削除できるようにします。

同じ画像の検出結果が特定の行に表示されます。列は、SwinFasterRCNN、FasterRCNN、YOLOv3、SSD、RetinaNet、および DETR の検出結果です。地域のグラウンドトゥルースは、緑色の長方形のボックスでマークされています。

検出結果は、赤い長方形のボックスで囲まれています。多くの実験で決定する必要がある収束を確実にするために、適切なハイパーパラメータを選択することが非常に重要です。