Αυτή η ανάρτηση είναι γραμμένη από κοινού με τους Ming (Melvin) Qin, David Bericat και Brad Genereaux από την NVIDIA.
Οι ερευνητές και οι προγραμματιστές τεχνητής νοημοσύνης ιατρικής απεικόνισης χρειάζονται ένα επεκτάσιμο, εταιρικό πλαίσιο για να δημιουργήσουν, να αναπτύξουν και να ενσωματώσουν τις εφαρμογές τεχνητής νοημοσύνης τους. Η AWS και η NVIDIA ενώθηκαν για να κάνουν αυτό το όραμα πραγματικότητα. AWS, NVIDIA και άλλοι συνεργάτες δημιουργήστε εφαρμογές και λύσεις για να κάνετε την υγειονομική περίθαλψη πιο προσιτή, προσιτή και αποτελεσματική, επιταχύνοντας τη συνδεσιμότητα στο cloud της εταιρικής απεικόνισης. MONAI Ανάπτυξη είναι μία από τις βασικές ενότητες εντός ΜΟΝΑΪ (Ιατρικό Ανοικτό Δίκτυο για Τεχνητή Νοημοσύνη) που αναπτύχθηκε από μια κοινοπραξία ακαδημαϊκών και ηγετών του κλάδου, συμπεριλαμβανομένης της NVIDIA. AWS HealthImaging (AHI) είναι ένα κατάστημα ιατρικών εικόνων κατάλληλο για HIPAA, εξαιρετικά επεκτάσιμο, αποδοτικό και οικονομικά αποδοτικό. Έχουμε αναπτύξει μια σύνδεση MONAI Deploy στο AHI για την ενσωμάτωση εφαρμογών τεχνητής νοημοσύνης ιατρικής απεικόνισης με λανθάνοντες χρόνους ανάκτησης εικόνας δευτερολέπτου σε κλίμακα που τροφοδοτούνται από εγγενή API στο cloud. Τα μοντέλα και οι εφαρμογές MONAI AI μπορούν να φιλοξενηθούν Amazon Sage Maker, η οποία είναι μια πλήρως διαχειριζόμενη υπηρεσία για την ανάπτυξη μοντέλων μηχανικής εκμάθησης (ML) σε κλίμακα. Το SageMaker φροντίζει για τη ρύθμιση και τη διαχείριση παρουσιών για συμπέρασμα και παρέχει ενσωματωμένες μετρήσεις και αρχεία καταγραφής για τελικά σημεία που μπορείτε να χρησιμοποιήσετε για την παρακολούθηση και τη λήψη ειδοποιήσεων. Προσφέρει επίσης μια ποικιλία από Παρουσίες NVIDIA GPU για συμπέρασμα ML, καθώς και πολλαπλές επιλογές ανάπτυξης μοντέλων με αυτόματη κλιμάκωση, συμπεριλαμβανομένων συμπέρασμα σε πραγματικό χρόνο, συμπέρασμα χωρίς διακομιστή, ασύγχρονη συμπέρασμα, να μετασχηματισμός παρτίδας.
Σε αυτήν την ανάρτηση, δείχνουμε πώς να αναπτύξετε ένα Πακέτο Εφαρμογών MONAI (MAP) με τη σύνδεση στο AWS HealthImaging, χρησιμοποιώντας ένα τελικό σημείο πολλαπλών μοντέλων SageMaker για εξαγωγή συμπερασμάτων σε πραγματικό χρόνο και ασύγχρονα συμπεράσματα. Αυτές οι δύο επιλογές καλύπτουν την πλειοψηφία των περιπτώσεων χρήσης αγωγών συμπεράσματος ιατρικής απεικόνισης σχεδόν σε πραγματικό χρόνο.
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.
Προϋποθέσεις
Ολοκληρώστε τα παρακάτω προαπαιτούμενα βήματα:
- Χρησιμοποιήστε έναν λογαριασμό AWS με μία από τις ακόλουθες περιοχές, όπου είναι διαθέσιμο το AWS HealthImaging: Βόρεια Βιρτζίνια (
us-east-1
), Όρεγκον (us-west-2
), Ιρλανδία (eu-west-1
), και το Σίδνεϊ (ap-southeast-2
). - Δημιουργία ενός Στούντιο Amazon SageMaker τομέα και προφίλ χρήστη με Διαχείριση ταυτότητας και πρόσβασης AWS άδεια (IAM) για πρόσβαση στο AWS HealthImaging.
- Ενεργοποιήστε την επέκταση JupyterLab v3 και εγκαταστήστε την επέκταση Imjoy-jupyter εάν θέλετε να οπτικοποιήσετε ιατρικές εικόνες στο σημειωματάριο SageMaker διαδραστικά χρησιμοποιώντας itkwidgets.
Υποδοχή MAP στο AWS HealthImaging
Το AWS HealthImaging εισάγει αρχεία DICOM P10 και τα μετατρέπει σε ImageSets, τα οποία αποτελούν μια βελτιστοποιημένη αναπαράσταση μιας σειράς DICOM. Το AHI παρέχει πρόσβαση API σε μεταδεδομένα ImageSet και ImageFrames. Τα μεταδεδομένα περιέχουν όλα τα χαρακτηριστικά DICOM σε ένα έγγραφο JSON. Τα Image Frames επιστρέφονται κωδικοποιημένα στο JPEG2000 υψηλής απόδοσης (HTJ2K) μορφή χωρίς απώλειες, η οποία μπορεί να αποκωδικοποιηθεί εξαιρετικά γρήγορα. Τα ImageSets μπορούν να ανακτηθούν χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI) ή το SDK AWS.
Το MONAI είναι ένα πλαίσιο τεχνητής νοημοσύνης ιατρικής απεικόνισης που μεταφέρει τις ερευνητικές ανακαλύψεις και τις εφαρμογές τεχνητής νοημοσύνης σε κλινικό αντίκτυπο. Το MONAI Deploy είναι ο αγωγός επεξεργασίας που επιτρέπει τη ροή εργασιών από άκρο σε άκρο, συμπεριλαμβανομένης της συσκευασίας, της δοκιμής, της ανάπτυξης και της εκτέλεσης εφαρμογών τεχνητής νοημοσύνης ιατρικής απεικόνισης στην κλινική παραγωγή. Περιλαμβάνει το ΜΟΝΑΪ Ανάπτυξη SDK εφαρμογής, MONAI Deploy Express, Διαχειριστής ροής εργασιών, να Πύλη Πληροφορικής. Το MONAI Deploy App SDK παρέχει έτοιμους προς χρήση αλγόριθμους και ένα πλαίσιο για την επιτάχυνση της δημιουργίας εφαρμογών ιατρικής απεικόνισης AI, καθώς και βοηθητικά εργαλεία για τη συσκευασία της εφαρμογής σε ένα κοντέινερ MAP. Οι ενσωματωμένες λειτουργίες που βασίζονται σε πρότυπα στο SDK της εφαρμογής επιτρέπουν στο MAP να ενσωματώνεται ομαλά σε δίκτυα πληροφορικής υγείας, κάτι που απαιτεί τη χρήση προτύπων όπως DICOM, HL7 και FHIR, καθώς και σε περιβάλλοντα κέντρου δεδομένων και cloud. Τα MAP μπορούν να χρησιμοποιήσουν τόσο προκαθορισμένους όσο και προσαρμοσμένους τελεστές για τη φόρτωση εικόνας DICOM, την επιλογή σειράς, την εξαγωγή συμπερασμάτων μοντέλων και τη μεταεπεξεργασία
Έχουμε αναπτύξει ένα Μονάδα Python χρησιμοποιώντας το AWS HealthImaging Python SDK Boto3. Μπορείτε να το εγκαταστήσετε με pip και να χρησιμοποιήσετε τη συνάρτηση βοήθειας για να ανακτήσετε παρουσίες DICOM Service-Object Pair (SOP) ως εξής:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
Τα στιγμιότυπα SOP εξόδου μπορούν να οπτικοποιηθούν χρησιμοποιώντας τα διαδραστικά itkwidgets 3D προβολής ιατρικών εικόνων στα ακόλουθα σημειωματάριο. ο AHItoDICOM η κλάση εκμεταλλεύεται πολλαπλές διεργασίες για την ανάκτηση πλαισίων pixel από το AWS HealthImaging παράλληλα και αποκρυπτογραφώ ο HTJ2K δυαδικές σταγόνες χρησιμοποιώντας τα Βιβλιοθήκη Python OpenJPEG. Τα ImageSetIds προέρχονται από τα αρχεία εξόδου μιας δεδομένης εργασίας εισαγωγής AWS HealthImaging. Δεδομένου του DatastoreId και εισαγωγής JobId, μπορείτε να ανακτήσετε το ImageSetId, το οποίο είναι ισοδύναμο με το UID παρουσίας της σειράς DICOM, ως εξής:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
Με το ImageSetId, μπορείτε να ανακτήσετε τα μεταδεδομένα κεφαλίδας DICOM και τα εικονοστοιχεία εικόνας ξεχωριστά χρησιμοποιώντας τις εγγενείς λειτουργίες του API HealthImaging AWS. ο Αδρανή εξαγωγέων DICOM οι κεφαλίδες DICOM και τα εικονοστοιχεία εικόνας στο Pydicom σύνολο δεδομένων, το οποίο μπορεί να υποβληθεί σε επεξεργασία από το Χάρτης DICOM χειριστή φορτωτή δεδομένων. Χρησιμοποιώντας τη συνάρτηση DICOMizeImageSet(), δημιουργήσαμε μια σύνδεση για τη φόρτωση δεδομένων εικόνας από το AWS HealthImaging, με βάση το MAP Χειριστής φόρτωσης δεδομένων DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
Στον προηγούμενο κώδικα, ahi_client
είναι ένα παράδειγμα της κατηγορίας εξαγωγέα AHItoDICOM DICOM, με εικονογραφημένες λειτουργίες ανάκτησης δεδομένων. Έχουμε συμπεριλάβει αυτόν τον νέο τελεστή φόρτωσης δεδομένων στο α Εφαρμογή AI τμηματοποίησης σπλήνας 3D που δημιουργήθηκε από το MONAI Deploy App SDK. Μπορείτε πρώτα να εξερευνήσετε πώς να δημιουργήσετε και να εκτελέσετε αυτήν την εφαρμογή σε ένα τοπικό παράδειγμα σημειωματάριουκαι, στη συνέχεια, αναπτύξτε αυτήν την εφαρμογή MAP σε διαχειριζόμενα τελικά σημεία συμπερασμάτων SageMaker.
Ασύγχρονη συμπεράσματα SageMaker
Ένας SageMaker ασύγχρονη συμπέρασμα Το τελικό σημείο χρησιμοποιείται για αιτήματα με μεγάλα μεγέθη ωφέλιμου φορτίου (έως 1 GB), μεγάλους χρόνους επεξεργασίας (έως 15 λεπτά) και απαιτήσεις καθυστέρησης σχεδόν σε πραγματικό χρόνο. Όταν δεν υπάρχουν αιτήματα για επεξεργασία, αυτή η επιλογή ανάπτυξης μπορεί να μειώσει τον αριθμό παρουσιών στο μηδέν για εξοικονόμηση κόστους, κάτι που είναι ιδανικό για φόρτους εργασίας συμπερασμάτων ML ιατρικής απεικόνισης. Ακολουθήστε τα βήματα στο δείγμα σημειωματάριου για να δημιουργήσετε και να καλέσετε το ασύγχρονο τελικό σημείο συμπερασμάτων SageMaker. Προς την δημιουργήστε ένα ασύγχρονο τελικό σημείο συμπερασμάτων, θα χρειαστεί να δημιουργήσετε πρώτα ένα μοντέλο SageMaker και μια διαμόρφωση τελικού σημείου. Για να δημιουργήσετε ένα μοντέλο SageMaker, θα χρειαστεί να φορτώσετε ένα πακέτο model.tar.gz με ένα καθορισμένη δομή καταλόγου σε ένα δοχείο Docker. Το πακέτο model.tar.gz περιλαμβάνει ένα προεκπαιδευμένο αρχείο τμηματοποίησης σπλήνας model.ts και ένα προσαρμοσμένο αρχείο inference.py. Χρησιμοποιήσαμε ένα προκατασκευασμένο κοντέινερ με εκδόσεις πλαισίου Python 3.8 και PyTorch 1.12.1 για τη φόρτωση του μοντέλου και την εκτέλεση προβλέψεων.
Στο προσαρμοσμένο συμπέρασμα.py αρχείο, εγκαινιάζουμε μια βοηθητική κλάση AHItoDICOM από το AHItoDICOMInterface και τη χρησιμοποιούμε για να δημιουργήσουμε μια παρουσία MAP στο model_fn()
συνάρτηση, και εκτελούμε την εφαρμογή MAP σε κάθε αίτημα συμπερασμάτων στο predict_fn()
λειτουργία:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
Προς την να καλέσετε το ασύγχρονο τελικό σημείο, θα χρειαστεί να ανεβάσετε το ωφέλιμο φορτίο εισόδου αιτήματος Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), το οποίο είναι ένα αρχείο JSON που καθορίζει το αναγνωριστικό αποθήκευσης δεδομένων AWS HealthImaging και το ID ImageSet για την εκτέλεση συμπερασμάτων:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
Η έξοδος μπορεί να βρεθεί και στο Amazon S3.
Συμπεράσματα σε πραγματικό χρόνο πολλαπλών μοντέλων SageMaker
SageMaker συμπέρασμα σε πραγματικό χρόνο Τα τελικά σημεία πληρούν τις διαδραστικές απαιτήσεις χαμηλής καθυστέρησης. Αυτή η επιλογή μπορεί να φιλοξενήσει πολλά μοντέλα σε ένα κοντέινερ πίσω από ένα τελικό σημείο, η οποία είναι μια επεκτάσιμη και οικονομικά αποδοτική λύση για την ανάπτυξη πολλών μοντέλων ML. ΕΝΑ Το τελικό σημείο πολλαπλών μοντέλων του SageMaker χρησιμοποιεί τον διακομιστή συμπερασμάτων Triton NVIDIA με GPU για την εκτέλεση πολλαπλών συμπερασμάτων μοντέλων βαθιάς εκμάθησης.
Σε αυτήν την ενότητα, περιγράφουμε πώς να δημιουργήσετε και να καλέσετε ένα τελικό σημείο πολλαπλών μοντέλων προσαρμόζοντας το δικό σας δοχείο συμπερασμάτων στα ακόλουθα δείγμα σημειωματάριου. Διαφορετικά μοντέλα μπορούν να σερβιριστούν σε ένα κοινό κοντέινερ στον ίδιο στόλο πόρων. Τα τελικά σημεία πολλών μοντέλων μειώνουν τα γενικά έξοδα ανάπτυξης και κλιμακώνουν τα συμπεράσματα μοντέλων με βάση τα μοτίβα κυκλοφορίας προς το τελικό σημείο. Συνηθίζαμε Εργαλεία προγραμματιστών AWS συμπεριλαμβανομένου Amazon CodeCommit, Amazon CodeBuild, να Amazon CodePipeline χτίζω το προσαρμοσμένο δοχείο για συμπέρασμα μοντέλου SageMaker. Ετοιμάσαμε ένα model_handler.py για να φέρετε το δικό σας κοντέινερ αντί για το αρχείο inference.py στο προηγούμενο παράδειγμα και εφαρμόσατε τις συναρτήσεις initialize(), preprocess() και inference():
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
Αφού κατασκευαστεί και ωθηθεί το δοχείο Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR), μπορείτε να δημιουργήσετε μοντέλο SageMaker με αυτό, καθώς και διαφορετικά πακέτα μοντέλων (αρχεία tar.gz) σε μια δεδομένη διαδρομή Amazon S3:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
Είναι αξιοσημείωτο ότι το model_url
εδώ καθορίζει μόνο τη διαδρομή προς έναν φάκελο με αρχεία tar.gz και καθορίζετε ποιο πακέτο μοντέλου θα χρησιμοποιηθεί για συμπέρασμα όταν καλείτε το τελικό σημείο, όπως φαίνεται στον ακόλουθο κώδικα:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
Μπορούμε να προσθέσουμε περισσότερα μοντέλα στο υπάρχον τελικό σημείο συμπερασμάτων πολλαπλών μοντέλων χωρίς να χρειάζεται να ενημερώσουμε το τελικό σημείο ή να δημιουργήσουμε ένα νέο.
εκκαθάριση
Μην ξεχάσετε να συμπληρώσετε το Διαγράψτε τους πόρους φιλοξενίας μπείτε στο εργαστήριο-3 και εργαστήριο-4 σημειωματάρια για να διαγράψετε τα τελικά σημεία συμπερασμάτων SageMaker. Θα πρέπει να απορρίψετε την παρουσία του φορητού υπολογιστή SageMaker για να εξοικονομήσετε επίσης κόστος. Τέλος, μπορείτε είτε να καλέσετε τη λειτουργία AWS HealthImaging API είτε να χρησιμοποιήσετε την κονσόλα AWS HealthImaging για να διαγράψετε τα σύνολα εικόνων και το χώρο αποθήκευσης δεδομένων που δημιουργήθηκαν νωρίτερα:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
Συμπέρασμα
Σε αυτήν την ανάρτηση, σας δείξαμε πώς να δημιουργήσετε μια σύνδεση MAP στο AWS HealthImaging, η οποία είναι επαναχρησιμοποιήσιμη σε εφαρμογές που έχουν δημιουργηθεί με το MONAI Deploy App SDK, για να ενσωματωθεί και να επιταχυνθεί η ανάκτηση δεδομένων εικόνας από ένα εγγενές κατάστημα DICOM στο cloud σε φόρτους εργασίας AI ιατρικής απεικόνισης . Το MONAI Deploy SDK μπορεί να χρησιμοποιηθεί για την υποστήριξη νοσοκομειακών λειτουργιών. Επιδείξαμε επίσης δύο επιλογές φιλοξενίας για την ανάπτυξη εφαρμογών MAP AI στο SageMaker σε κλίμακα.
Ανατρέξτε στα παραδείγματα σημειωματάρια στο Αποθετήριο GitHub για να μάθετε περισσότερα σχετικά με τον τρόπο ανάπτυξης εφαρμογών MONAI στο SageMaker με ιατρικές εικόνες που είναι αποθηκευμένες στο AWS HealthImaging. Για να μάθετε τι μπορεί να κάνει το AWS για εσάς, επικοινωνήστε με έναν εκπρόσωπος της AWS.
Για πρόσθετους πόρους, ανατρέξτε στα ακόλουθα:
Σχετικά με τους Συγγραφείς
Μινγκ (Μέλβιν) Τσιν είναι ανεξάρτητος συνεργάτης στην ομάδα Healthcare της NVIDIA, με επίκεντρο την ανάπτυξη ενός πλαισίου εφαρμογής και μιας πλατφόρμας συμπερασμάτων τεχνητής νοημοσύνης για να φέρει την τεχνητή νοημοσύνη στις ροές εργασίας ιατρικής απεικόνισης. Πριν γίνει μέλος της NVIDIA το 2018 ως ιδρυτικό μέλος της Clara, ο Ming πέρασε 15 χρόνια αναπτύσσοντας Radiology PACS και Workflow SaaS ως επικεφαλής μηχανικός/αρχιτέκτονας στη Stentor Inc., που αργότερα εξαγοράστηκε από την Philips Healthcare για να σχηματίσει την Enterprise Imaging.
Ντέιβιντ Μπερικάτ είναι υπεύθυνος προϊόντων για το Healthcare στην NVIDIA, όπου ηγείται της ομάδας εργασίας Project MONAI Deploy για να φέρει την τεχνητή νοημοσύνη από την έρευνα στις κλινικές αναπτύξεις. Το πάθος του είναι να επιταχύνει την καινοτομία στον τομέα της υγείας παγκοσμίως μετατρέποντάς την σε πραγματικό κλινικό αντίκτυπο. Προηγουμένως, ο David εργαζόταν στην Red Hat, εφαρμόζοντας αρχές ανοιχτού κώδικα στη διασταύρωση του AI, του cloud, του edge computing και του IoT. Οι πιο περήφανες στιγμές του περιλαμβάνουν πεζοπορία στην κατασκήνωση βάσης του Έβερεστ και παίζοντας ποδόσφαιρο για περισσότερα από 20 χρόνια.
Brad Genereaux είναι Global Lead, Healthcare Alliances στη NVIDIA, όπου είναι υπεύθυνος για τις σχέσεις προγραμματιστών με εστίαση στην ιατρική απεικόνιση για την επιτάχυνση της τεχνητής νοημοσύνης και των λύσεων βαθιάς μάθησης, οπτικοποίησης, εικονικοποίησης και ανάλυσης. Ο Μπραντ ευαγγελίζεται την πανταχού παρούσα υιοθέτηση και ενσωμάτωση των απρόσκοπτων ροών εργασίας υγειονομικής περίθαλψης και ιατρικής απεικόνισης στην καθημερινή κλινική πρακτική, με περισσότερα από 20 χρόνια εμπειρίας στον τομέα της υγειονομικής περίθαλψης.
Γκανγκ Φου είναι Αρχιτέκτονας Λύσεων Υγείας στην AWS. Είναι κάτοχος διδακτορικού διπλώματος στη Φαρμακευτική Επιστήμη από το Πανεπιστήμιο του Μισισιπή και έχει πάνω από 10 χρόνια εμπειρίας στην τεχνολογία και τη βιοϊατρική έρευνα. Είναι παθιασμένος με την τεχνολογία και τον αντίκτυπο που μπορεί να έχει στην υγειονομική περίθαλψη.
JP Leger είναι Senior Solutions Architect που υποστηρίζει ακαδημαϊκά ιατρικά κέντρα και ροές εργασιών ιατρικής απεικόνισης στο AWS. Έχει πάνω από 20 χρόνια τεχνογνωσίας στη μηχανική λογισμικού, την υγειονομική περίθαλψη και την ιατρική απεικόνιση, με εκτεταμένη εμπειρία στην αρχιτεκτονική συστημάτων για απόδοση, επεκτασιμότητα και ασφάλεια σε κατανεμημένες αναπτύξεις μεγάλων όγκων δεδομένων σε εγκαταστάσεις, στο cloud και υβριδικά με analytics και AI .
Κρις Χαφέϊ είναι κύριος αρχιτέκτονας λύσεων στο Amazon Web Services. Έχει πάνω από 25 χρόνια εμπειρία στον κλάδο της ιατρικής απεικόνισης και ειδικεύεται στην κατασκευή κλιμακούμενων συστημάτων υψηλής απόδοσης. Είναι ο δημιουργός του δημοφιλούς έργου ανοιχτού κώδικα CornerstoneJS, το οποίο τροφοδοτεί το δημοφιλές πρόγραμμα προβολής μηδενικού αποτυπώματος ανοιχτού κώδικα OHIF. Συνέβαλε στην προδιαγραφή DICOMweb και συνεχίζει να εργάζεται για τη βελτίωση της απόδοσής του για προβολή μέσω web.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 12
- 15 χρόνια
- 15%
- 20
- 20 χρόνια
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- Σχετικα
- ακαδημαϊκής
- επιταχύνουν
- επιταχύνοντας
- πρόσβαση
- προσιτός
- Λογαριασμός
- αποκτήθηκαν
- απέναντι
- προσθέτω
- Πρόσθετος
- Υιοθεσία
- Πλεονέκτημα
- προσιτές
- AI
- Μοντέλα AI
- Ειδοποιήσεις
- αλγόριθμοι
- Όλα
- Συμμαχίες
- επιτρέπουν
- Επίσης
- Amazon
- Amazon υπηρεσίες Web
- an
- analytics
- και
- api
- Πρόσβαση API
- APIs
- app
- Εφαρμογή
- εφαρμογές
- αρχιτεκτονική
- ΕΙΝΑΙ
- τεχνητός
- τεχνητή νοημοσύνη
- AS
- At
- γνωρίσματα
- Αυτόματο
- διαθέσιμος
- AWS
- βάση
- βασίζονται
- BE
- πριν
- πίσω
- βιοϊατρικής
- σώμα
- και οι δύο
- ακέφαλο καρφί
- επιτεύγματα
- φέρω
- χτίζω
- Κτίριο
- χτισμένο
- ενσωματωμένο
- by
- κλήση
- Στρατόπεδο
- CAN
- ο οποίος
- περιπτώσεις
- Κέντρο
- Κέντρα
- Κλάρα
- τάξη
- Κλινικός
- Backup
- κωδικός
- Ελάτε
- πλήρης
- περιλαμβάνει
- χρήση υπολογιστή
- διαμόρφωση
- Συνδεσιμότητα
- πρόξενος
- κονσόρτσιουμ
- επικοινωνήστε μαζί μας
- Δοχείο
- Περιέχει
- περιεχόμενα
- συμφραζόμενα
- συνεχίζεται
- συνέβαλε
- συνεισφέρων
- Κόστος
- εξοικονόμηση κόστους
- αποδοτική
- Δικαστικά έξοδα
- κάλυμμα
- γραφτό
- δημιουργία
- δημιουργήθηκε
- δημιουργός
- προσαρμοσμένη
- ημερομηνία
- Κέντρο δεδομένων
- Δαβίδ
- βαθύς
- βαθιά μάθηση
- αποδεικνύουν
- κατέδειξε
- παρατάσσω
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- Dev
- αναπτύχθηκε
- Εργολάβος
- προγραμματιστές
- ανάπτυξη
- διαφορετικές
- διανέμονται
- do
- Λιμενεργάτης
- έγγραφο
- κάτω
- Νωρίτερα
- άκρη
- άκρη υπολογιστών
- αποτελεσματικός
- είτε
- αλλιώς
- δίνει τη δυνατότητα
- από άκρη σε άκρη
- Τελικό σημείο
- Μηχανική
- Εταιρεία
- περιβάλλοντα
- Ισοδύναμος
- everest
- Κάθε
- καθημερινά
- παράδειγμα
- Εκτός
- υφιστάμενα
- εμπειρία
- εξειδίκευση
- διερευνήσει
- εκτενής
- Εκτεταμένη εμπειρία
- εξαιρετικά
- ψευδής
- FAST
- Αρχεία
- Αρχεία
- Τελικά
- Όνομα
- ΣΤΟΛΟΣ
- Συγκέντρωση
- επικεντρώθηκε
- ακολουθήστε
- Εξής
- εξής
- Ίχνος
- Για
- μορφή
- μορφή
- Βρέθηκαν
- ιδρύοντας
- Πλαίσιο
- από
- fu
- πλήρως
- λειτουργία
- λειτουργίες
- λειτουργίες
- GitHub
- δεδομένου
- Παγκόσμιο
- Παγκόσμια
- GPU
- Group
- καπέλο
- Έχω
- που έχει
- he
- κεφαλίδες
- Υγεία
- υγειονομική περίθαλψη
- εδώ
- υψηλή απόδοση
- υψηλά
- του
- κατέχει
- νοσοκομείο
- οικοδεσπότης
- φιλοξενείται
- φιλοξενία
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Υβριδικό
- ID
- ιδανικό
- Ταυτότητα
- if
- απεικονίζει
- εικόνα
- εικόνες
- Απεικόνιση
- Επίπτωση
- εφαρμοστεί
- εκτελεστικών
- εισαγωγή
- εισαγωγές
- βελτίωση
- in
- Α.Ε.
- περιλαμβάνουν
- περιλαμβάνονται
- περιλαμβάνει
- Συμπεριλαμβανομένου
- ανεξάρτητος
- βιομηχανία
- Καινοτομία
- εισαγωγή
- είσοδοι
- εγκαθιστώ
- παράδειγμα
- αντί
- ενσωματώσει
- ολοκλήρωση
- Νοημοσύνη
- διαδραστικό
- διασταύρωση
- σε
- IoT
- Ιρλανδία
- IT
- ΤΟΥ
- Δουλειά
- ενώνει
- jpg
- json
- Κλειδί
- Ξέρω
- large
- Αφάνεια
- αργότερα
- οδηγήσει
- ηγέτες
- Οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- γραμμή
- φορτίο
- φορτωτής
- φόρτωση
- τοπικός
- Μακριά
- μηχανή
- μάθηση μηχανής
- Η πλειοψηφία
- κάνω
- διαχειρίζεται
- διευθυντής
- διαχείριση
- χάρτη
- χάρτες
- ιατρικών
- Γνωρίστε
- μέλος
- Μεταδεδομένα
- Metrics
- Λεπτ.
- ML
- Τρόπος
- μοντέλο
- μοντέλα
- ενότητες
- Στιγμές
- Παρακολούθηση
- περισσότερο
- Τελικό σημείο πολλαπλών μοντέλων
- πολλαπλούς
- ντόπιος
- Ανάγκη
- δίκτυο
- δίκτυα
- Νέα
- Όχι.
- Ν/Α
- Βόρειος
- σημειωματάριο
- αξιοσημείωτος
- Nvidia
- αντικείμενο
- of
- προσφορές
- on
- ONE
- αποκλειστικά
- ανοίξτε
- ανοιχτό δίκτυο
- ανοικτού κώδικα
- λειτουργίες
- χειριστής
- φορείς
- βελτιστοποιημένη
- Επιλογή
- Επιλογές
- or
- Όρεγκον
- OS
- ΑΛΛΑ
- παραγωγή
- επί
- δική
- πακέτο
- Packages
- συσκευασία
- ζεύγος
- Παράλληλο
- πάθος
- παθιασμένος
- μονοπάτι
- πρότυπα
- επίδοση
- άδεια
- Φαρμακευτικά
- phd
- αγωγού
- Εικονοκύτταρο
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- συν
- Δημοφιλής
- Θέση
- τροφοδοτείται
- αρμοδιότητες
- πρακτική
- Προβλέψεις
- έτοιμος
- προηγούμενος
- προηγουμένως
- Κύριος
- αρχές
- διαδικασια μας
- Επεξεργασμένο
- Διεργασίες
- μεταποίηση
- Προϊόν
- υπεύθυνος προϊόντων
- παραγωγή
- σχέδιο
- ιδιότητες
- παρέχει
- πίεσε
- Python
- pytorch
- σε πραγματικό χρόνο
- Πραγματικότητα
- λαμβάνω
- Red
- Red Hat
- μείωση
- παραπέμπω
- περιοχή
- περιοχές
- συγγένειες
- αντιπροσώπευση
- ζητήσει
- αιτήματα
- απαιτήσεις
- Απαιτεί
- έρευνα
- ερευνητές
- Υποστηρικτικό υλικό
- απάντησης
- υπεύθυνος
- απόδοση
- επαναχρησιμοποιήσιμη
- τρέξιμο
- τρέξιμο
- s
- SaaS
- σοφός
- Συμπεράσματα SageMaker
- ίδιο
- Αποθήκευση
- Οικονομίες
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- Επιστήμη
- SDK
- αδιάλειπτη
- Τμήμα
- ασφάλεια
- κατάτμηση
- επιλογή
- ΕΑΥΤΟΣ
- αρχαιότερος
- Σειρές
- σερβίρεται
- υπηρεσία
- Υπηρεσίες
- Σέτς
- τον καθορισμό
- διάφοροι
- σχήματα
- Shared
- θα πρέπει να
- έδειξε
- παρουσιάζεται
- Απλούς
- μεγέθη
- ομαλά
- Ποδόσφαιρο
- λογισμικό
- τεχνολογία λογισμικού
- λύση
- Λύσεις
- Πηγή
- ειδικεύεται
- προσδιορισμός
- πέρασε
- πρότυπα
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- Σπάγγος
- τέτοιος
- υποστήριξη
- Στήριξη
- sydney
- συστήματα
- παίρνει
- Τεχνολογία
- Δοκιμές
- από
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- αυτό
- Μέσω
- φορές
- προς την
- μαζι
- εργαλεία
- προς
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρίτωνος
- αληθής
- προσπαθώ
- ΣΤΡΟΦΗ
- δύο
- πανταχού παρών
- πανεπιστήμιο
- Ενημέρωση
- χρήση
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- χρησιμότητα
- ποικιλία
- εκδόσεις
- προβολή
- Βιργινία
- όραμα
- οραματισμός
- φαντάζομαι
- όγκους
- W
- walk
- θέλω
- we
- ιστός
- διαδικτυακές υπηρεσίες
- Web-based
- ΛΟΙΠΌΝ
- Τι
- πότε
- Ποιό
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- Ομάδα εργασίας
- χρόνια
- Εσείς
- Σας
- zephyrnet
- μηδέν