نموذج قائم على محول سوين للكشف عن عقيدات الغدة الدرقية في صور الموجات فوق الصوتية

ينفذ هذا البرنامج تدبيرا تلقائيا وفعالا للكشف عن عقيدات الغدة الدرقية ، مما قد يقلل من عبء العمل على الأطباء في المستقبل. تطبق هذه التقنية محول سوين على شبكة الكشف عن العقيدات. تعتبر محولات Swin فعالة في التقاط معلومات المحتوى بعيدة المدى ، وهو أمر مفيد للغاية في تحسين حساسية احتجاز العقيدات.

للبدء ، افتح محطة طرفية على الجهاز وقم بتثبيت Python 3.8 عن طريق كتابة sudo apt-get install python3.8 في سطر الأوامر. لتثبيت PyTorch 1.7 ، انتقل إلى الموقع الرسمي ل Miniconda وقم بتثبيته. ثم قم بإنشاء بيئة Conda عن طريق كتابة الأمر الظاهر على الشاشة في سطر الأوامر ، وقم بتنشيطه عن طريق كتابة conda activate SwinFastRCNN.

قم بتثبيت PyTorch عن طريق كتابة الأمر الموضح في سطر الأوامر. لتثبيت اكتشاف MM ، قم بالاستنساخ من مستودع GitHub الرسمي ، ثم قم بتثبيت MM Detection عن طريق كتابة الأمر pip install v e في سطر الأوامر. افتح schedule_1x.

py في محرر نصوص Vim وقم بتحرير الملف لتعيين المعلمات الافتراضية المتعلقة بالتدريب ، بما في ذلك المحسن ومعدل التعلم والملحمة. ابدأ التدريب بكتابة الأمر الظاهر على الشاشة. انتظر حتى تبدأ الشبكة التدريب على 48 ملحمة ، وحتى يتم إنشاء الأوزان المدربة الناتجة لشبكة SwinFastRCNN في مجلد الإخراج.

احفظ أوزان النموذج بأعلى دقة في مجموعة التحقق من الصحة. بعد التدريب ، حدد النموذج الذي يتمتع بأفضل أداء في مجموعة التحقق من الصحة للكشف عن عقيدات الغدة الدرقية في الصور الجديدة. قم بتشغيل البرنامج النصي للاختبار لتغيير حجم الصورة إلى 512 بكسل × 512 بكسل وتطبيعها.

انتظر حتى يقوم البرنامج النصي بتحميل معلمات النموذج المدربة مسبقا تلقائيا إلى SwinFastRCNN ، وقم بتغذية الصورة المعالجة مسبقا في SwinFastRCNN للاستدلال. انتظر حتى يقوم SwinFastRCNN بإخراج مربع التنبؤ لكل صورة. أخيرا ، اسمح للبرنامج النصي بإجراء المعالجة اللاحقة ل NMS تلقائيا على كل صورة لإزالة مربعات الكشف المكررة.

يتم عرض نتائج الكشف لنفس الصورة في صف معين. الأعمدة هي نتائج الكشف عن SwinFastRCNN و FastRCNN و YOLOv3 و SSD و RetinaNet و DETR. يتم تمييز الحقائق الأرضية للمناطق بصناديق مستطيلة خضراء.

يتم تأطير نتائج الكشف بواسطة الصناديق المستطيلة الحمراء. من المهم جدا تحديد المعلمة الفائقة المناسبة لضمان تلك التقارب التي يجب تحديدها من خلال العديد من التجارب.