Bu program, gelecekte doktorların iş yükünü azaltabilecek tiroid nodüllerini tespit etmek için otomatik ve etkili bir önlem uygular. Bu teknik, bir nodül algılama ağına bir Swin Transformatörü uygular. Swin Transformers, nodül gözaltı hassasiyetini artırmada çok yardımcı olan uzun menzilli içerik bilgilerini yakalamada etkilidir.
Başlamak için, makinede bir terminal açın ve komut satırına sudo apt-get install python3.8 yazarak Python 3.8'i yükleyin. PyTorch 1.7'yi yüklemek için Miniconda'nın resmi web sitesine gidin ve yükleyin. Ardından komut satırında ekranda gösterilen komutu yazarak bir Conda ortamı oluşturun ve conda activate SwinFasterRCNN yazarak etkinleştirin.
Gösterilen komutu komut satırına yazarak PyTorch'u yükleyin. MM algılama yüklemesi için resmi GitHub deposundan kopyalayın ve ardından komut satırına pip install v e komutunu yazarak MM Algılama'yı yükleyin. schedule_1x açın.
py dosyasını Vim metin düzenleyicisinde açın ve optimize edici, öğrenme oranı ve epik dahil olmak üzere eğitimle ilgili varsayılan parametreleri ayarlamak için dosyayı düzenleyin. Ekranda gösterilen komutu yazarak eğitime başlayın. Ağın 48 destan için eğitime başlamasını ve sonuçta ortaya çıkan SwinFasterRCNN ağının eğitilmiş ağırlıklarının çıktı klasöründe oluşturulmasını bekleyin.
Model ağırlıklarını doğrulama kümesinde en yüksek doğrulukla kaydedin. Eğitimden sonra, yeni görüntülerde tiroid nodülü tespiti için doğrulama setinde en iyi performansa sahip modeli seçin. Görüntüyü 512 piksele 512 piksel olarak yeniden boyutlandırmak ve normalleştirmek için test komut dosyasını çalıştırın.
Komut dosyasının önceden eğitilmiş model parametrelerini otomatik olarak SwinFasterRCNN'ye yüklemesini bekleyin ve çıkarım için önceden işlenmiş görüntüyü SwinFasterRCNN'ye besleyin. SwinFasterRCNN'nin her görüntü için tahmin kutusunun çıktısını almasını bekleyin. Son olarak, yinelenen öğe algılama kutularını kaldırmak için komut dosyasının her görüntüde otomatik olarak NMS son işleme gerçekleştirmesine izin verin.
Aynı görüntü için algılama sonuçları belirli bir satırda gösterilir. Sütunlar SwinFasterRCNN, FasterRCNN, YOLOv3, SSD, RetinaNet ve DETR için algılama sonuçlarıdır. Bölgelerin zemin gerçekleri yeşil dikdörtgen kutularla işaretlenmiştir.
Algılama sonuçları kırmızı dikdörtgen kutularla çerçevelenir. Birçok deney tarafından belirlenmesi gereken yakınsamaları sağlamak için uygun hiper parametreyi seçmek çok önemlidir.
