গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে ক্লাউড-ভিত্তিক মেডিকেল ইমেজিং পুনর্গঠন

কম্পিউটেড টমোগ্রাফি (সিটি), ম্যাগনেটিক রেজোন্যান্স ইমেজিং (এমআরআই), মেডিকেল এক্স-রে ইমেজিং, আল্ট্রাসাউন্ড ইমেজিং এবং অন্যান্যের মতো মেডিকেল ইমেজিং কৌশলগুলি সাধারণত ডাক্তাররা বিভিন্ন কারণে ব্যবহার করেন। কিছু উদাহরণের মধ্যে রয়েছে অঙ্গ, টিস্যু এবং জাহাজের চেহারার পরিবর্তন সনাক্ত করা এবং টিউমার এবং অন্যান্য বিভিন্ন ধরণের প্যাথলজির মতো অস্বাভাবিকতা সনাক্ত করা।

ডাক্তাররা সেই কৌশলগুলি থেকে ডেটা ব্যবহার করার আগে, ডেটাটিকে তার নেটিভ কাঁচা ফর্ম থেকে এমন একটি ফর্মে রূপান্তরিত করতে হবে যা একটি কম্পিউটার স্ক্রিনে একটি চিত্র হিসাবে প্রদর্শিত হতে পারে।

এই প্রক্রিয়া হিসাবে পরিচিত হয় চিত্র পুনর্গঠন, এবং এটি একটি মেডিকেল ইমেজিং ওয়ার্কফ্লোতে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে—এটি এমন একটি পদক্ষেপ যা ডায়াগনস্টিক ইমেজ তৈরি করে যা ডাক্তারদের দ্বারা পর্যালোচনা করা যেতে পারে।

এই পোস্টে, আমরা এমআরআই পুনর্গঠনের একটি ব্যবহারের ক্ষেত্রে আলোচনা করেছি, তবে স্থাপত্য ধারণাগুলি অন্যান্য ধরণের চিত্র পুনর্গঠনে প্রয়োগ করা যেতে পারে।

ইমেজ পুনর্গঠনের ক্ষেত্রে অগ্রগতি চৌম্বকীয় অনুরণন (এমআর) ইমেজিংয়ের মধ্যে এআই-ভিত্তিক কৌশলগুলির সফল প্রয়োগের দিকে পরিচালিত করেছে। এই কৌশলগুলির লক্ষ্য হল পুনর্গঠনের নির্ভুলতা বাড়ানো এবং এমআর পদ্ধতির ক্ষেত্রে, এবং সম্পূর্ণ স্ক্যানের জন্য প্রয়োজনীয় সময় হ্রাস করা।

এমআর-এর মধ্যে, আন্ডার-স্যাম্পল অধিগ্রহণের সাথে কাজ করার জন্য AI ব্যবহার করে অ্যাপ্লিকেশনগুলি সফলভাবে নিযুক্ত করা হয়েছে, স্ক্যান সময়ে প্রায় দশ গুণ হ্রাস অর্জন.

এমআরআই এবং সিটি স্ক্যানের মতো পরীক্ষার জন্য অপেক্ষার সময় গত কয়েক বছরে দ্রুত বৃদ্ধি পেয়েছে, যার ফলে 3 মাস পর্যন্ত অপেক্ষা করুন. ভাল রোগীর যত্ন নিশ্চিত করার জন্য, অপারেশনাল খরচ কমানোর প্রয়োজনীয়তার সাথে পুনর্গঠিত চিত্রগুলির দ্রুত প্রাপ্যতার জন্য ক্রমবর্ধমান প্রয়োজনীয়তা স্টোরেজ এবং গণনাগত চাহিদা অনুযায়ী স্কেলিং করতে সক্ষম একটি সমাধানের প্রয়োজনকে চালিত করেছে।

কম্পিউটেশনাল প্রয়োজনের পাশাপাশি, গত কয়েক বছরে ডেটা বৃদ্ধিতে স্থিতিশীল বৃদ্ধি দেখা গেছে। উদাহরণস্বরূপ, দ্বারা উপলব্ধ করা ডেটাসেটগুলি দেখছেন৷ মেডিকেল ইমেজ কম্পিউটিং এবং কম্পিউটার-অ্যাসিস্টেড ইন্টারভেনশন (MICCAI), এটা সংগ্রহ করা সম্ভব যে MRI-এর জন্য বার্ষিক বৃদ্ধি 21%, CT-এর জন্য 24%, এবং কার্যকরী MRI (fMRI) এর জন্য 31%। (আরও তথ্যের জন্য, পড়ুন মেডিকেল ইমেজ বিশ্লেষণ গবেষণা ডেটাসেট বৃদ্ধি.)

এই পোস্টে, আমরা আপনাকে একটি সমাধান আর্কিটেকচার দেখাই যা এই চ্যালেঞ্জগুলি মোকাবেলা করে। এই সমাধানটি গবেষণা কেন্দ্র, মিডিয়াল প্রতিষ্ঠান এবং মোডালিটি বিক্রেতাদের সীমাহীন স্টোরেজ ক্ষমতা, স্কেলেবল GPU পাওয়ার, মেশিন লার্নিং (এমএল) প্রশিক্ষণ এবং পুনর্গঠনের কাজগুলির জন্য দ্রুত ডেটা অ্যাক্সেস, সহজ এবং দ্রুত এমএল ডেভেলপমেন্ট এনভায়রনমেন্ট এবং সক্ষমতা অর্জন করতে সক্ষম করতে পারে। দ্রুত এবং কম লেটেন্সি ইমেজ ডেটা উপলব্ধতার জন্য অন-প্রিমিসেস ক্যাশিং আছে।

সমাধান ওভারভিউ

এই সমাধানটি এমআরআই পুনর্গঠন কৌশল হিসাবে পরিচিত কে-স্পেস ইন্টারপোলেশনের জন্য শক্তিশালী কৃত্রিম-নিউরাল-নেটওয়ার্ক (রাকি)। এই পদ্ধতিটি সুবিধাজনক কারণ এটি স্ক্যান-নির্দিষ্ট এবং নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য পূর্বের ডেটার প্রয়োজন হয় না। এই কৌশলটির অসুবিধা হল যে এটি কার্যকর হতে প্রচুর গণনা শক্তি প্রয়োজন।

AWS আর্কিটেকচারের রূপরেখা দেখায় যে কীভাবে একটি ক্লাউড-ভিত্তিক পুনর্গঠন পদ্ধতি কার্যকরভাবে কম্পিউটেশনাল-ভারী কাজগুলি সম্পাদন করতে পারে যেমন RAKI নিউরাল নেটওয়ার্কের জন্য প্রয়োজনীয়, লোড অনুযায়ী স্কেলিং এবং পুনর্গঠন প্রক্রিয়াকে ত্বরান্বিত করে। এটি এমন কৌশলগুলির দরজা খুলে দেয় যা বাস্তবিকভাবে প্রাঙ্গনে প্রয়োগ করা যায় না।

ডেটা স্তর

নিম্নলিখিত নীতিগুলির চারপাশে ডেটা স্তরটি তৈরি করা হয়েছে:

• একটি NAS ডিভাইসে নেটওয়ার্ক শেয়ারের মাধ্যমে একটি সংযুক্ত স্টোরেজ ড্রাইভে উত্পন্ন ডেটা সঞ্চয় করে এমন পদ্ধতিগুলির সাথে বিরামহীন একীকরণ
• স্টোরেজ স্পেসের ক্রমাগত চাহিদা অনুযায়ী সীমাহীন এবং নিরাপদ ডেটা স্টোরেজ ক্ষমতা
• গভীর স্নায়ু প্রশিক্ষণ এবং নিউরাল ইমেজ পুনর্গঠনের মতো এমএল ওয়ার্কলোডের জন্য দ্রুত স্টোরেজ উপলব্ধতা
• একটি কম খরচে, মাপযোগ্য পদ্ধতি ব্যবহার করে ঐতিহাসিক ডেটা সংরক্ষণাগার করার ক্ষমতা
• একই সাথে কম খরচে কম ঘন ঘন অ্যাক্সেস করা ডেটা সংরক্ষণ করার সময় সর্বাধিক ঘন ঘন অ্যাক্সেস করা পুনর্গঠিত ডেটার প্রাপ্যতার অনুমতি দিন

নিম্নলিখিত চিত্রটি এই স্থাপত্যের চিত্র তুলে ধরেছে।

এই পদ্ধতিটি নিম্নলিখিত পরিষেবাগুলি ব্যবহার করে:

• AWS স্টোরেজ গেটওয়ে একটি ফাইল শেয়ার সিস্টেমের মাধ্যমে তথ্য আদান-প্রদানকারী অন-প্রিমিসেস মোডালিটির সাথে বিরামহীন একীকরণের জন্য। এটি নিম্নলিখিত AWS ক্লাউড স্টোরেজ ক্ষমতাগুলিতে স্বচ্ছ অ্যাক্সেসের অনুমতি দেয় যখন মোডালিটি কীভাবে ডেটা বিনিময় করে তা বজায় রাখে:
  • এমআর মোডালিটি দ্বারা উত্পন্ন ভলিউমগুলির দ্রুত ক্লাউড আপলোড।
  • স্টোরেজ গেটওয়ে দ্বারা অফার করা স্থানীয় ক্যাশিংয়ের মাধ্যমে ঘন ঘন ব্যবহৃত পুনর্গঠিত এমআর স্টাডিতে কম লেটেন্সি অ্যাক্সেস।
• আমাজন সেজমেকার সীমাহীন এবং মাপযোগ্য ক্লাউড স্টোরেজের জন্য। Amazon S3 এছাড়াও কম খরচে, ঐতিহাসিক কাঁচা এমআরআই ডেটা গভীর আর্কাইভিং প্রদান করে আমাজন S3 হিমবাহ, এবং পুনর্গঠিত এমআরআই-এর জন্য একটি বুদ্ধিমান স্টোরেজ স্তর Amazon S3 ইন্টেলিজেন্ট-টিয়ারিং.
• দীপ্তি জন্য Amazon FSx এমএল প্রশিক্ষণ এবং পুনর্গঠনের কাজে ব্যবহৃত দ্রুত এবং মাপযোগ্য মধ্যবর্তী স্টোরেজের জন্য।

নিম্নলিখিত চিত্রটি একটি সংক্ষিপ্ত আর্কিটেকচার দেখায় যা মেঘের পরিবেশের মধ্যে ডেটা বিনিময়ের বর্ণনা দেয়।

ক্যাশিং পদ্ধতির সাথে স্টোরেজ গেটওয়ে ব্যবহার করে অন-প্রিমিসেস অ্যাপ্লিকেশনগুলিকে স্থানীয় ক্যাশে উপলব্ধ ডেটা দ্রুত অ্যাক্সেস করতে দেয়। একই সাথে ক্লাউডে স্কেলেবল স্টোরেজ স্পেস অ্যাক্সেস দেওয়ার সময় এটি ঘটে।

এই পদ্ধতির সাহায্যে, পদ্ধতিগুলি অধিগ্রহণের কাজগুলি থেকে কাঁচা ডেটা তৈরি করতে পারে, পাশাপাশি স্টোরেজ গেটওয়ে থেকে পরিচালিত নেটওয়ার্ক শেয়ারে কাঁচা ডেটা লিখতে পারে।

যদি মোডালিটি একই স্ক্যানের অন্তর্গত একাধিক ফাইল তৈরি করে, তবে এটি একটি একক সংরক্ষণাগার তৈরি করার পরামর্শ দেওয়া হয় (উদাহরণস্বরূপ tar), এবং ডেটা স্থানান্তরকে ত্বরান্বিত করতে নেটওয়ার্ক শেয়ারে একটি একক স্থানান্তর সম্পাদন করুন৷

ডেটা ডিকম্প্রেশন এবং ট্রান্সফর্মেশন লেয়ার

ডেটা ডিকম্প্রেশন স্তর কাঁচা ডেটা গ্রহণ করে, স্বয়ংক্রিয়ভাবে ডিকম্প্রেশন সঞ্চালন করে এবং পুনর্গঠন স্তরে প্রি-প্রসেসড ডেটা জমা দেওয়ার আগে কাঁচা ডেটাতে সম্ভাব্য রূপান্তর প্রয়োগ করে।

গৃহীত স্থাপত্য নিচের চিত্রে বর্ণিত হয়েছে।

এই আর্কিটেকচারে, কাঁচা MRI ডেটা কাঁচা MRI S3 বালতিতে ল্যান্ড করে, যার ফলে একটি নতুন এন্ট্রি শুরু হয় অ্যামাজন সরল সারি পরিষেবা (Amazon SQS)।

An এডাব্লুএস ল্যাম্বদা ফাংশন কাঁচা MRI Amazon SQS কিউ গভীরতা পুনরুদ্ধার করে, যা AWS ক্লাউডে আপলোড করা কাঁচা MRI অধিগ্রহণের পরিমাণকে প্রতিনিধিত্ব করে। এই সঙ্গে ব্যবহার করা হয় AWS Fargate স্বয়ংক্রিয়ভাবে একটি আকার পরিবর্তন করতে অ্যামাজন ইলাস্টিক কনটেইনার পরিষেবা (Amazon ECS) ক্লাস্টার।

এই আর্কিটেকচার পদ্ধতিটি কাঁচা ইনপুট বালতিতে অবতরণ করা কাঁচা স্ক্যানের সংখ্যা অনুসারে স্বয়ংক্রিয়ভাবে উপরে এবং নীচে স্কেল করতে দেয়।

কাঁচা এমআরআই ডেটা ডিকম্প্রেস এবং প্রিপ্রসেস করার পরে, এটি অন্য S3 বালতিতে সংরক্ষণ করা হয় যাতে এটি পুনর্গঠন করা যায়।

নিউরাল মডেল ডেভেলপমেন্ট লেয়ার

নিউরাল মডেল ডেভেলপমেন্ট লেয়ার একটি RAKI বাস্তবায়ন নিয়ে গঠিত। আন্ডার-স্যাম্পলড ম্যাগনেটিক রেজোন্যান্স কাঁচা ডেটার দ্রুত ইমেজ পুনর্গঠনের অনুমতি দেওয়ার জন্য এটি একটি নিউরাল নেটওয়ার্ক মডেল তৈরি করে।

নিম্নলিখিত চিত্রটি স্থাপত্য দেখায় যা স্নায়ু মডেলের বিকাশ এবং ধারক তৈরিকে উপলব্ধি করে।

এই স্থাপত্যে, আমাজন সেজমেকার RAKI নিউরাল মডেল ডেভেলপ করতে এবং একই সাথে ধারক তৈরি করতে ব্যবহৃত হয় যা পরবর্তীতে MRI পুনর্গঠন করতে ব্যবহৃত হয়।

তারপর, তৈরি ধারক সম্পূর্ণরূপে পরিচালিত অন্তর্ভুক্ত করা হয় অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (Amazon ECR) সংগ্রহস্থল যাতে এটি পুনর্গঠনের কাজগুলি বন্ধ করতে পারে।

দ্রুত ডেটা স্টোরেজ অবলম্বন দ্বারা নিশ্চিত করা হয় দীপ্তি জন্য Amazon FSx. এটি সাব-মিলিসেকেন্ড লেটেন্সি প্রদান করে, শত শত GBps পর্যন্ত থ্রুপুট এবং লক্ষ লক্ষ IOPS পর্যন্ত। এই পদ্ধতিটি সেজমেকারকে একটি সাশ্রয়ী, উচ্চ-পারফরম্যান্স এবং মাপযোগ্য স্টোরেজ সমাধানে অ্যাক্সেস দেয়।

এমআরআই পুনর্গঠন স্তর

RAKI নিউরাল নেটওয়ার্কের উপর ভিত্তি করে এমআরআই পুনর্গঠন নিম্নলিখিত চিত্রে দেখানো আর্কিটেকচার দ্বারা পরিচালিত হয়।

ডিকম্প্রেশন এবং প্রিপ্রসেসিং লেয়ারে গৃহীত একই আর্কিটেকচারাল প্যাটার্নের সাথে, পুনর্গঠন স্তরটি স্বয়ংক্রিয়ভাবে সমস্ত পুনর্গঠনের অনুরোধগুলি ধরে রাখার জন্য দায়ী সারির গভীরতা বিশ্লেষণ করে উপরে এবং নীচের দিকে স্কেল করে। এই ক্ষেত্রে, GPU সমর্থন সক্ষম করতে, AWS ব্যাচ এমআরআই পুনর্গঠনের কাজ চালানোর জন্য ব্যবহৃত হয়।

Amazon FSx for Luster ব্যবহার করা হয় এমআরআই অধিগ্রহণে জড়িত বিপুল পরিমাণ ডেটা বিনিময় করতে। উপরন্তু, যখন একটি পুনর্গঠন কাজ সম্পূর্ণ হয় এবং পুনর্গঠিত এমআরআই ডেটা টার্গেট S3 বালতিতে সংরক্ষণ করা হয়, নিযুক্ত আর্কিটেকচার স্বয়ংক্রিয়ভাবে স্টোরেজ গেটওয়ের রিফ্রেশের অনুরোধ করে। এটি পুনর্গঠিত ডেটা অন-প্রিমিসেস সুবিধার জন্য উপলব্ধ করে তোলে।

সামগ্রিক স্থাপত্য এবং ফলাফল

সামগ্রিক স্থাপত্য নিচের চিত্রে দেখানো হয়েছে।

আমরা এমআরআই পুনর্গঠনের কাজগুলিতে বর্ণিত আর্কিটেকচার প্রয়োগ করেছি ডেটাসেট আনুমানিক 2.4 গিগাবাইট আকার।

Nvidia Tesla V210-SXM221-514GB দিয়ে সজ্জিত একটি একক নোডে মোট 100 GB কাঁচা ডেটার জন্য 2 ডেটাসেটকে প্রশিক্ষণ দিতে প্রায় 16 সেকেন্ড সময় লেগেছে।

RAKI নেটওয়ার্ক প্রশিক্ষিত হওয়ার পরে পুনর্গঠনে Nvidia Tesla V40-SXM100-2GB সজ্জিত একটি একক নোডে গড়ে 16 সেকেন্ড সময় নেয়।

একটি পুনর্গঠনের কাজে পূর্ববর্তী আর্কিটেকচারের প্রয়োগ নিম্নলিখিত চিত্রে ফলাফল পেতে পারে।

চিত্রটি দেখায় যে RAKI এর মতো পুনর্গঠন কৌশলগুলির মাধ্যমে ভাল ফলাফল পাওয়া যেতে পারে। অধিকন্তু, ক্লাউড প্রযুক্তি গ্রহণ করা এই গণনা-ভারী পন্থাগুলিকে অন-প্রিমিসেস সমাধানগুলিতে পাওয়া সীমাবদ্ধতা ছাড়াই উপলব্ধ করতে পারে যেখানে সঞ্চয়স্থান এবং গণনামূলক সংস্থান সর্বদা সীমিত থাকে।

উপসংহার

Amazon SageMaker, Amazon FSx for Lustre, AWS ব্যাচ, Fargate, এবং Lambda-এর মতো সরঞ্জামগুলির সাহায্যে আমরা একটি পরিচালিত পরিবেশ তৈরি করতে পারি যা স্কেলযোগ্য, নিরাপদ, খরচ-কার্যকর এবং স্কেলে চিত্র পুনর্গঠনের মতো জটিল কাজগুলি সম্পাদন করতে সক্ষম৷

এই পোস্টে, আমরা RAKI নামে পরিচিত একটি গণনামূলকভাবে নিবিড় কৌশল ব্যবহার করে কাঁচা পদ্ধতির ডেটা থেকে চিত্র পুনর্গঠনের একটি সম্ভাব্য সমাধান অনুসন্ধান করেছি: দ্রুত চিত্র পুনর্গঠনের জন্য একটি ডাটাবেস মুক্ত গভীর শিক্ষার কৌশল।

AWS কীভাবে স্বাস্থ্যসেবাতে উদ্ভাবনকে ত্বরান্বিত করছে সে সম্পর্কে আরও জানতে, দেখুন স্বাস্থ্যের জন্য AWS.

তথ্যসূত্র

---

লেখক সম্পর্কে

বেনেদেত্তো ক্যারোলো ইউরোপ, মধ্যপ্রাচ্য এবং আফ্রিকার আমাজন ওয়েব সার্ভিসে মেডিকেল ইমেজিং এবং স্বাস্থ্যসেবার জন্য সিনিয়র সলিউশন আর্কিটেক্ট। তার কাজ মেডিক্যাল ইমেজিং এবং স্বাস্থ্যসেবা গ্রাহকদের প্রযুক্তি ব্যবহার করে ব্যবসায়িক সমস্যা সমাধানে সহায়তা করার উপর দৃষ্টি নিবদ্ধ করে। Benedetto প্রযুক্তি এবং মেডিকেল ইমেজিংয়ের 15 বছরেরও বেশি অভিজ্ঞতা রয়েছে এবং ক্যানন মেডিকেল রিসার্চ এবং ভাইটাল ইমেজের মতো কোম্পানিগুলির জন্য কাজ করেছেন। বেনেদেত্তো ইউনিভার্সিটি অফ পালেরমো – ইতালি থেকে সফটওয়্যার ইঞ্জিনিয়ারিংয়ে তার সুমা কাম লড এমএসসি পেয়েছেন।