Модель на основе трансформатора Swin для обнаружения узлов щитовидной железы на ультразвуковых изображениях

Эта программа реализует автоматическую и эффективную меру по выявлению узлов щитовидной железы, что может снизить нагрузку на врачей в будущем. Этот метод применяет трансформатор Swin к сети обнаружения конкреций. Swin Transformers эффективны при сборе информации о содержании на большом расстоянии, что очень полезно для повышения чувствительности задержания конкреций.

Для начала откройте терминал на компьютере и установите Python 3.8, набрав sudo apt-get install python3.8 в командной строке. Чтобы установить PyTorch 1.7, перейдите на официальный сайт Miniconda и установите его. Затем создайте среду Conda, введя команду, показанную на экране в командной строке, и активируйте ее, введя conda activate SwinFasterRCNN.

Установите PyTorch, написав показанную команду в командной строке. Для установки обнаружения MM клонируйте из официального репозитория GitHub, а затем установите MM Detection, написав команду pip install v e в командной строке. Откройте schedule_1x.

py в текстовом редакторе Vim и отредактируйте файл, чтобы установить параметры, связанные с обучением по умолчанию, включая оптимизатор, скорость обучения и epic. Начните обучение, введя команду, показанную на экране. Подождите, пока сеть начнет обучение для 48 эпиков, и в выходной папке будут сгенерированы результирующие обученные веса сети SwinFasterRCNN.

Сохраняйте весовые коэффициенты модели с высочайшей точностью в проверочном наборе. После обучения выберите модель с наилучшими показателями в наборе валидации для обнаружения узлов щитовидной железы на новых изображениях. Запустите тестовый сценарий, чтобы изменить размер изображения до 512 на 512 пикселей и нормализовать его.

Подождите, пока сценарий автоматически загрузит предварительно обученные параметры модели в SwinFasterRCNN, и передайте предварительно обработанное изображение в SwinFasterRCNN для вывода. Подождите, пока SwinFasterRCNN выведет окно прогноза для каждого изображения. Наконец, разрешите сценарию автоматически выполнять постобработку NMS для каждого изображения, чтобы удалить дубликаты блоков обнаружения.

Результаты обнаружения для одного и того же изображения отображаются в заданной строке. В столбцах приведены результаты обнаружения для SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet и DETR. Основные истины регионов отмечены зелеными прямоугольными рамками.

Результаты обнаружения обрамляются красными прямоугольными прямоугольниками. Очень важно выбрать соответствующий гиперпараметр, чтобы обеспечить те сходимости, которые должны быть определены многими экспериментами.