이 프로그램은 갑상선 결절을 감지하기 위한 자동적이고 효율적인 조치를 구현하여 향후 의사의 업무량을 줄일 수 있습니다. 이 기술은 Swin 변압기를 결절 검출 네트워크에 적용합니다. Swin Transformers는 장거리 콘텐츠 정보를 캡처하는 데 효과적이며, 이는 결절 구금의 감도를 향상시키는 데 매우 도움이 됩니다.
시작하려면 컴퓨터에서 터미널을 열고 명령줄에 sudo apt-get install python3.8을 입력하여 Python 3.8을 설치합니다. PyTorch 1.7을 설치하려면 Miniconda의 공식 웹 사이트로 이동하여 설치하십시오. 그런 다음, 명령줄에 화면에 표시된 명령을 입력하여 Conda 환경을 만들고 conda activate SwinFasterRCNN을 입력하여 활성화합니다.
명령줄에 표시된 명령을 작성하여 PyTorch를 설치합니다. MM 검색 설치의 경우 공식 GitHub 리포지토리에서 복제한 다음 명령줄에 pip install v e 명령을 작성하여 MM 검색을 설치합니다. schedule_1x 엽니다.
py 파일을 열고 파일을 편집하여 옵티마이저, 학습률 및 epic을 포함한 기본 훈련 관련 매개 변수를 설정합니다. 화면에 표시된 명령을 입력하여 학습을 시작합니다. 신경망이 48개의 에픽에 대한 훈련을 시작할 때까지 기다리고, SwinFasterRCNN 신경망의 훈련된 결과 가중치가 출력 폴더에 생성될 때까지 기다립니다.
검증 세트에서 가장 높은 정확도로 모델 가중치를 저장합니다. 훈련 후, 새 이미지에서 갑상선 결절 검출을 위해 설정된 검증에서 가장 성능이 좋은 모델을 선택합니다. 테스트 스크립트를 실행하여 이미지 크기를 512 x 512 픽셀로 조정하고 정규화합니다.
스크립트가 미리 학습된 모델 매개 변수를 SwinFasterRCNN에 자동으로 로드하고 유추를 위해 미리 처리된 이미지를 SwinFasterRCNN에 공급할 때까지 기다립니다. SwinFasterRCNN이 각 이미지에 대한 예측 상자를 출력할 때까지 기다립니다. 마지막으로, 스크립트가 각 이미지에 대해 NMS 사후 처리를 자동으로 수행하여 중복 탐지 상자를 제거하도록 합니다.
동일한 이미지에 대한 감지 결과가 지정된 행에 표시됩니다. 열은 SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet 및 DETR에 대한 검색 결과입니다. 지역의 실측 자료는 녹색 직사각형 상자로 표시됩니다.
감지 결과는 빨간색 직사각형 상자로 구성됩니다. 많은 실험에 의해 결정되어야 하는 수렴을 보장하기 위해 적절한 하이퍼 매개변수를 선택하는 것이 매우 중요합니다.
