Cloudbasierte Rekonstruktion medizinischer Bildgebung mit tiefen neuronalen Netzen

Medizinische Bildgebungsverfahren wie Computertomographie (CT), Magnetresonanztomographie (MRT), medizinische Röntgenbildgebung, Ultraschallbildgebung und andere werden häufig von Ärzten aus verschiedenen Gründen verwendet. Einige Beispiele umfassen das Erkennen von Veränderungen im Erscheinungsbild von Organen, Geweben und Gefäßen und das Erkennen von Anomalien wie Tumoren und verschiedenen anderen Arten von Pathologien.

Bevor Ärzte die Daten aus diesen Techniken verwenden können, müssen die Daten von ihrer nativen Rohform in eine Form umgewandelt werden, die als Bild auf einem Computerbildschirm angezeigt werden kann.

Dieser Prozess ist bekannt als Bildrekonstruktion, und es spielt eine entscheidende Rolle in einem medizinischen Bildgebungs-Workflow – es ist der Schritt, der diagnostische Bilder erstellt, die dann von Ärzten überprüft werden können.

In diesem Beitrag diskutieren wir einen Anwendungsfall der MRT-Rekonstruktion, aber die Architekturkonzepte können auf andere Arten der Bildrekonstruktion angewendet werden.

Fortschritte auf dem Gebiet der Bildrekonstruktion haben zur erfolgreichen Anwendung von KI-basierten Techniken in der Magnetresonanztomographie (MR) geführt. Diese Techniken zielen darauf ab, die Genauigkeit der Rekonstruktion zu erhöhen und im Falle der MR-Modalität die für einen vollständigen Scan erforderliche Zeit zu verkürzen.

Innerhalb der MR wurden Anwendungen, die KI verwenden, um mit unterabgetasteten Akquisitionen zu arbeiten, erfolgreich eingesetzt, Erzielung einer fast zehnfachen Reduzierung der Scanzeiten.

Die Wartezeiten für Tests wie MRTs und CT-Scans haben in den letzten Jahren rapide zugenommen, was zu Wartezeiten bis zu 3 Monate. Um eine gute Patientenversorgung zu gewährleisten, hat der zunehmende Bedarf an schneller Verfügbarkeit rekonstruierter Bilder zusammen mit der Notwendigkeit, die Betriebskosten zu senken, den Bedarf an einer Lösung geweckt, die entsprechend den Speicher- und Rechenanforderungen skaliert werden kann.

Neben dem Rechenbedarf hat das Datenwachstum in den letzten Jahren stetig zugenommen. Betrachtet man beispielsweise die Datensätze, die von der zur Verfügung gestellt werden Medizinische Bildverarbeitung und computergestützte Intervention (MICCAI)lässt sich entnehmen, dass das jährliche Wachstum bei der MRT 21 %, bei der CT 24 % und bei der funktionellen MRT (fMRT) 31 % beträgt. (Weitere Informationen finden Sie unter Datensatzwachstum in der medizinischen Bildanalyseforschung.)

In diesem Beitrag zeigen wir Ihnen eine Lösungsarchitektur, die diese Herausforderungen adressiert. Diese Lösung kann Forschungszentren, medizinischen Einrichtungen und Modalitätsanbietern den Zugriff auf unbegrenzte Speicherkapazitäten, skalierbare GPU-Leistung, schnellen Datenzugriff für Schulungs- und Rekonstruktionsaufgaben für maschinelles Lernen (ML), einfache und schnelle ML-Entwicklungsumgebungen und die Fähigkeit dazu ermöglichen verfügen über lokales Caching für eine schnelle Verfügbarkeit von Bilddaten mit geringer Latenz.

Lösungsüberblick

Diese Lösung verwendet eine MRI-Rekonstruktionstechnik, die als bekannt ist Robuste künstliche neuronale Netze für die k-Raum-Interpolation (Raki). Dieser Ansatz ist vorteilhaft, da er scanspezifisch ist und keine vorherigen Daten zum Trainieren des neuronalen Netzwerks erfordert. Der Nachteil dieser Technik besteht darin, dass sie viel Rechenleistung erfordert, um effektiv zu sein.

Die skizzierte AWS-Architektur zeigt, wie ein Cloud-basierter Rekonstruktionsansatz rechenintensive Aufgaben, wie sie für das neuronale RAKI-Netzwerk erforderlich sind, effektiv ausführen kann, indem er entsprechend der Last skaliert und den Rekonstruktionsprozess beschleunigt. Dies öffnet die Tür zu Techniken, die realistischerweise nicht vor Ort implementiert werden können.

Datenschicht

Die Datenschicht wurde nach den folgenden Prinzipien aufgebaut:

• Nahtlose Integration mit Modalitäten, die generierte Daten auf einem angeschlossenen Speicherlaufwerk über eine Netzwerkfreigabe auf einem NAS-Gerät speichern
• Unbegrenzte und sichere Datenspeicherfunktionen zur Skalierung auf den kontinuierlichen Speicherplatzbedarf
• Schnelle Speicherverfügbarkeit für ML-Workloads wie Deep Neural Training und Neural Image Rekonstruktion
• Die Möglichkeit, historische Daten mit einem kostengünstigen, skalierbaren Ansatz zu archivieren
• Ermöglichen Sie die Verfügbarkeit der rekonstruierten Daten, auf die am häufigsten zugegriffen wird, und archivieren Sie gleichzeitig weniger häufig aufgerufene Daten zu geringeren Kosten

Das folgende Diagramm veranschaulicht diese Architektur.

Dieser Ansatz verwendet die folgenden Dienste:

• AWS-Speicher-Gateway für eine nahtlose Integration mit der lokalen Modalität, die Informationen über ein Dateifreigabesystem austauscht. Dies ermöglicht einen transparenten Zugriff auf die folgenden AWS Cloud-Speicherfunktionen und behält gleichzeitig bei, wie die Modalität Daten austauscht:
  • Schneller Cloud-Upload der von der MR-Modalität erzeugten Volumina.
  • Zugriff mit geringer Latenz auf häufig verwendete rekonstruierte MR-Studien über lokales Caching, das von Storage Gateway angeboten wird.
• Amazon Sage Maker für unbegrenzten und skalierbaren Cloud-Speicher. Amazon S3 bietet auch eine kostengünstige Tiefenarchivierung historischer MRT-Rohdaten Amazon S3 Gletscher, und eine intelligente Speicherebene für die rekonstruierte MRT mit Amazon S3 Intelligent-Tiering.
• Amazon FSx für Lustre zur schnellen und skalierbaren Zwischenspeicherung für ML-Trainings- und Rekonstruktionsaufgaben.

Die folgende Abbildung zeigt eine prägnante Architektur, die den Datenaustausch zwischen den Cloud-Umgebungen beschreibt.

Durch die Verwendung von Storage Gateway mit dem Caching-Mechanismus können lokale Anwendungen schnell auf Daten zugreifen, die im lokalen Cache verfügbar sind. Dies geschieht bei gleichzeitigem Zugriff auf skalierbaren Speicherplatz in der Cloud.

Mit diesem Ansatz können Modalitäten Rohdaten aus Erfassungsaufträgen generieren und die Rohdaten in eine Netzwerkfreigabe schreiben, die von Storage Gateway verwaltet wird.

Wenn die Modalität mehrere Dateien generiert, die zu demselben Scan gehören, wird empfohlen, ein einzelnes Archiv (z. B. .tar) zu erstellen und eine einzelne Übertragung auf die Netzwerkfreigabe durchzuführen, um die Datenübertragung zu beschleunigen.

Datendekomprimierungs- und Transformationsschicht

Die Datendekomprimierungsschicht empfängt die Rohdaten, führt automatisch eine Dekomprimierung durch und wendet potenzielle Transformationen auf die Rohdaten an, bevor sie die vorverarbeiteten Daten an die Rekonstruktionsschicht übermittelt.

Die angenommene Architektur ist in der folgenden Abbildung skizziert.

In dieser Architektur landen Roh-MRT-Daten im Roh-MRI-S3-Bucket und lösen dadurch einen neuen Eintrag aus Amazon Simple Queue-Dienst (Amazon-SQS).

An AWS Lambda -Funktion ruft die unformatierte Amazon SQS-MRT-Warteschlangentiefe ab, die die Menge der unformatierten MRT-Erfassungen darstellt, die in die AWS Cloud hochgeladen wurden. Dies wird mit verwendet AWS Fargate um die Größe von an automatisch zu modulieren Amazon Elastic Container-Service (Amazon ECS)-Cluster.

Dieser Architekturansatz ermöglicht eine automatische Skalierung entsprechend der Anzahl der Rohscans, die im Roheingabe-Bucket gelandet sind.

Nachdem die MRT-Rohdaten dekomprimiert und vorverarbeitet wurden, werden sie in einem anderen S3-Bucket gespeichert, damit sie rekonstruiert werden können.

Entwicklungsschicht für neuronale Modelle

Die neuronale Modellentwicklungsschicht besteht aus einer RAKI-Implementierung. Dadurch wird ein neuronales Netzwerkmodell erstellt, um die schnelle Bildrekonstruktion von unterabgetasteten Magnetresonanz-Rohdaten zu ermöglichen.

Die folgende Abbildung zeigt die Architektur, die die Entwicklung des neuronalen Modells und die Containererstellung realisiert.

Bei dieser Architektur Amazon Sage Maker wird verwendet, um das neuronale RAKI-Modell zu entwickeln und gleichzeitig den Container zu erstellen, der später zur Durchführung der MRT-Rekonstruktion verwendet wird.

Anschließend wird der erstellte Container in das Fully Managed aufgenommen Amazon Elastic Container-Registrierung (Amazon ECR)-Repository, damit es dann Rekonstruktionsaufgaben ausgliedern kann.

Eine schnelle Datenspeicherung wird durch den Einsatz von gewährleistet Amazon FSx für Lustre. Es bietet Latenzen von weniger als einer Millisekunde, einen Durchsatz von bis zu Hunderten von GBps und bis zu Millionen von IOPS. Dieser Ansatz verschafft SageMaker Zugang zu einer kostengünstigen, leistungsstarken und skalierbaren Speicherlösung.

MRT-Rekonstruktionsschicht

Die MRI-Rekonstruktion basierend auf dem neuronalen RAKI-Netzwerk wird durch die im folgenden Diagramm gezeigte Architektur gehandhabt.

Mit dem gleichen architektonischen Muster, das in der Dekompressions- und Vorverarbeitungsschicht verwendet wird, skaliert die Rekonstruktionsschicht automatisch nach oben und unten, indem sie die Tiefe der Warteschlange analysiert, die für das Halten aller Rekonstruktionsanforderungen verantwortlich ist. Um in diesem Fall die GPU-Unterstützung zu aktivieren, AWS-Charge wird verwendet, um die MRT-Rekonstruktionsaufträge auszuführen.

Amazon FSx for Lustre wird verwendet, um die große Datenmenge auszutauschen, die bei der MRT-Erfassung anfällt. Wenn ein Rekonstruktionsjob abgeschlossen ist und die rekonstruierten MRT-Daten im Ziel-S3-Bucket gespeichert sind, fordert die verwendete Architektur außerdem automatisch eine Aktualisierung des Speicher-Gateways an. Dadurch werden die rekonstruierten Daten der lokalen Einrichtung zur Verfügung gestellt.

Gesamtarchitektur und Ergebnisse

Die Gesamtarchitektur ist in der folgenden Abbildung dargestellt.

Wir haben die beschriebene Architektur auf MRT-Rekonstruktionsaufgaben mit angewendet Datensätze etwa 2.4 GB groß.

Es dauerte ungefähr 210 Sekunden, um 221 Datensätze zu trainieren, was insgesamt 514 GB Rohdaten auf einem einzelnen Knoten, der mit einem Nvidia Tesla V100-SXM2-16GB ausgestattet war, entspricht.

Die Rekonstruktion, nachdem das RAKI-Netzwerk trainiert wurde, dauerte auf einem einzelnen Knoten, der mit einem Nvidia Tesla V40-SXM100-2GB ausgestattet war, durchschnittlich 16 Sekunden.

Die Anwendung der vorangehenden Architektur auf einen Rekonstruktionsjob kann zu den Ergebnissen in der folgenden Abbildung führen.

Das Bild zeigt, dass mit Rekonstruktionstechniken wie RAKI gute Ergebnisse erzielt werden können. Darüber hinaus kann die Einführung von Cloud-Technologie diese rechenintensiven Ansätze ohne die Einschränkungen verfügbar machen, die bei lokalen Lösungen zu finden sind, bei denen Speicher- und Rechenressourcen immer begrenzt sind.

Schlussfolgerungen

Mit Tools wie Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate und Lambda können wir eine verwaltete Umgebung schaffen, die skalierbar, sicher und kostengünstig ist und in der Lage ist, komplexe Aufgaben wie die Bildrekonstruktion in großem Maßstab durchzuführen.

In diesem Beitrag haben wir eine mögliche Lösung für die Bildrekonstruktion aus Modalitäts-Rohdaten unter Verwendung einer rechenintensiven Technik namens RAKI untersucht: eine datenbankfreie Deep-Learning-Technik für schnelle Bildrekonstruktion.

Um mehr darüber zu erfahren, wie AWS Innovationen im Gesundheitswesen beschleunigt, besuchen Sie AWS für Gesundheit.

Bibliographie

---

Über den Autor

Benedetto Carollo ist Senior Solution Architect für medizinische Bildgebung und Gesundheitswesen bei Amazon Web Services in Europa, dem Nahen Osten und Afrika. Seine Arbeit konzentriert sich darauf, Kunden aus dem Bereich der medizinischen Bildgebung und des Gesundheitswesens bei der Lösung von Geschäftsproblemen durch den Einsatz von Technologie zu unterstützen. Benedetto verfügt über mehr als 15 Jahre Erfahrung in Technologie und medizinischer Bildgebung und hat für Unternehmen wie Canon Medical Research und Vital Images gearbeitet. Benedetto erhielt seinen MSc summa cum laude in Software Engineering von der Universität Palermo – Italien.