Ανακατασκευή ιατρικής απεικόνισης με βάση το σύννεφο χρησιμοποιώντας βαθιά νευρωνικά δίκτυα

Οι τεχνικές ιατρικής απεικόνισης όπως η αξονική τομογραφία (CT), η μαγνητική τομογραφία (MRI), η ιατρική ακτινογραφία, η υπερηχογράφημα και άλλες χρησιμοποιούνται συνήθως από τους γιατρούς για διάφορους λόγους. Μερικά παραδείγματα περιλαμβάνουν την ανίχνευση αλλαγών στην εμφάνιση οργάνων, ιστών και αγγείων και την ανίχνευση ανωμαλιών όπως οι όγκοι και διάφορα άλλα είδη παθολογιών.

Για να μπορέσουν οι γιατροί να χρησιμοποιήσουν τα δεδομένα από αυτές τις τεχνικές, τα δεδομένα πρέπει να μετατραπούν από την αρχική τους ακατέργαστη μορφή σε μια φόρμα που μπορεί να εμφανιστεί ως εικόνα σε μια οθόνη υπολογιστή.

Αυτή η διαδικασία είναι γνωστή ως ανασυγκρότηση εικόνας, και παίζει καθοριστικό ρόλο σε μια ροή εργασιών ιατρικής απεικόνισης—είναι το βήμα που δημιουργεί διαγνωστικές εικόνες που μπορούν στη συνέχεια να αναθεωρηθούν από τους γιατρούς.

Σε αυτήν την ανάρτηση, συζητάμε μια περίπτωση χρήσης ανακατασκευής μαγνητικής τομογραφίας, αλλά οι αρχιτεκτονικές έννοιες μπορούν να εφαρμοστούν σε άλλους τύπους ανακατασκευής εικόνας.

Η πρόοδος στον τομέα της ανακατασκευής εικόνας οδήγησε στην επιτυχή εφαρμογή τεχνικών που βασίζονται σε AI στην απεικόνιση μαγνητικού συντονισμού (MR). Αυτές οι τεχνικές στοχεύουν στην αύξηση της ακρίβειας της ανακατασκευής και στην περίπτωση της μεθόδου μαγνητικής τομογραφίας και στη μείωση του χρόνου που απαιτείται για μια πλήρη σάρωση.

Στο πλαίσιο του MR, εφαρμογές που χρησιμοποιούν τεχνητή νοημοσύνη για να δουλέψουν με εξαγορές χωρίς δείγματα έχουν χρησιμοποιηθεί με επιτυχία, επιτυγχάνοντας σχεδόν δεκαπλάσια μείωση του χρόνου σάρωσης.

Οι χρόνοι αναμονής για εξετάσεις όπως η μαγνητική τομογραφία και η αξονική τομογραφία αυξήθηκαν ραγδαία τα τελευταία δύο χρόνια, οδηγώντας σε χρόνους αναμονής έως και 3 μήνες. Για να διασφαλιστεί η καλή φροντίδα του ασθενούς, η αυξανόμενη ανάγκη για γρήγορη διαθεσιμότητα ανακατασκευασμένων εικόνων μαζί με την ανάγκη μείωσης του λειτουργικού κόστους έχει οδηγήσει στην ανάγκη μιας λύσης ικανής να κλιμακώνεται σύμφωνα με τις ανάγκες αποθήκευσης και υπολογισμού.

Εκτός από τις υπολογιστικές ανάγκες, η ανάπτυξη δεδομένων έχει σημειώσει σταθερή αύξηση τα τελευταία χρόνια. Για παράδειγμα, κοιτάζοντας τα σύνολα δεδομένων που διατίθενται από το Υπολογισμός Ιατρικής Εικόνας και Παρέμβαση με τη βοήθεια υπολογιστή (MICCAI), είναι δυνατόν να συλλέξουμε ότι η ετήσια αύξηση είναι 21% για τη μαγνητική τομογραφία, 24% για την αξονική τομογραφία και 31% για τη λειτουργική μαγνητική τομογραφία (fMRI). (Για περισσότερες πληροφορίες, ανατρέξτε στο Ανάπτυξη συνόλου δεδομένων στην έρευνα για την ανάλυση ιατρικής εικόνας.)

Σε αυτήν την ανάρτηση, σας δείχνουμε μια αρχιτεκτονική λύσης που αντιμετωπίζει αυτές τις προκλήσεις. Αυτή η λύση μπορεί να επιτρέψει στα ερευνητικά κέντρα, τα ινστιτούτα μέσων και τους προμηθευτές τροποποιήσεων να έχουν πρόσβαση σε απεριόριστες δυνατότητες αποθήκευσης, επεκτάσιμη ισχύ GPU, γρήγορη πρόσβαση δεδομένων για εργασίες εκπαίδευσης και ανακατασκευής μηχανικής μάθησης (ML), απλά και γρήγορα περιβάλλοντα ανάπτυξης ML και τη δυνατότητα έχουν εσωτερική προσωρινή αποθήκευση για γρήγορη και χαμηλής καθυστέρησης διαθεσιμότητα δεδομένων εικόνας.

Επισκόπηση λύσεων

Αυτή η λύση χρησιμοποιεί μια τεχνική ανακατασκευής μαγνητικής τομογραφίας γνωστή ως Ισχυρά τεχνητά νευρωνικά δίκτυα για παρεμβολή χώρου k (ΡΑΚΗ). Αυτή η προσέγγιση είναι πλεονεκτική επειδή είναι ειδική για τη σάρωση και δεν απαιτεί προηγούμενα δεδομένα για την εκπαίδευση του νευρωνικού δικτύου. Το μειονέκτημα αυτής της τεχνικής είναι ότι απαιτεί μεγάλη υπολογιστική ισχύ για να είναι αποτελεσματική.

Η αρχιτεκτονική AWS που περιγράφεται δείχνει πώς μια προσέγγιση ανακατασκευής που βασίζεται σε σύννεφο μπορεί να εκτελέσει αποτελεσματικά εργασίες βαριές υπολογιστικές όπως αυτή που απαιτείται από το νευρωνικό δίκτυο RAKI, κλιμακώνοντας ανάλογα με το φορτίο και επιταχύνοντας τη διαδικασία ανακατασκευής. Αυτό ανοίγει την πόρτα σε τεχνικές που δεν μπορούν ρεαλιστικά να εφαρμοστούν σε εγκαταστάσεις.

Επίπεδο δεδομένων

Το επίπεδο δεδομένων έχει σχεδιαστεί με βάση τις ακόλουθες αρχές:

• Ομαλή ενοποίηση με τρόπους αποθήκευσης δεδομένων που δημιουργούνται σε μια συνδεδεμένη μονάδα αποθήκευσης μέσω ενός κοινόχρηστου στοιχείου δικτύου σε μια συσκευή NAS
• Απεριόριστες και ασφαλείς δυνατότητες αποθήκευσης δεδομένων για προσαρμογή στη συνεχή ζήτηση χώρου αποθήκευσης
• Γρήγορη διαθεσιμότητα αποθήκευσης για φόρτους εργασίας ML, όπως βαθιά νευρωνική εκπαίδευση και ανακατασκευή νευρικής εικόνας
• Η δυνατότητα αρχειοθέτησης ιστορικών δεδομένων χρησιμοποιώντας μια χαμηλού κόστους, επεκτάσιμη προσέγγιση
• Επιτρέψτε τη διαθεσιμότητα των ανακατασκευασμένων δεδομένων με τη συχνότερη πρόσβαση, ενώ ταυτόχρονα διατηρείτε αρχειοθετημένα τα λιγότερο συχνά προσβάσιμα δεδομένα με χαμηλότερο κόστος

Το παρακάτω διάγραμμα απεικονίζει αυτή την αρχιτεκτονική.

Αυτή η προσέγγιση χρησιμοποιεί τις ακόλουθες υπηρεσίες:

• AWS Storage Gateway για απρόσκοπτη ενοποίηση με τη λειτουργία εσωτερικής εγκατάστασης που ανταλλάσσει πληροφορίες μέσω ενός συστήματος κοινής χρήσης αρχείων. Αυτό επιτρέπει διαφανή πρόσβαση στις ακόλουθες δυνατότητες αποθήκευσης AWS Cloud, διατηρώντας παράλληλα τον τρόπο με τον οποίο η μέθοδος ανταλλάσσει δεδομένα:
  • Γρήγορη μεταφόρτωση στο σύννεφο των τόμων που δημιουργούνται από τη μέθοδο MR.
  • Πρόσβαση χαμηλής καθυστέρησης σε συχνά χρησιμοποιούμενες ανακατασκευασμένες μελέτες MR μέσω τοπικής προσωρινής αποθήκευσης που προσφέρεται από το Storage Gateway.
• Amazon Sage Maker για απεριόριστο και επεκτάσιμο χώρο αποθήκευσης στο cloud. Το Amazon S3 παρέχει επίσης χαμηλού κόστους, ιστορικά ακατέργαστα δεδομένα MRI σε βάθος αρχειοθέτησης Παγετώνας Amazon S3, και μια έξυπνη βαθμίδα αποθήκευσης για την ανακατασκευασμένη μαγνητική τομογραφία με Amazon S3 Intelligent-Tiering.
• Amazon FSx για λάμψη για γρήγορη και επεκτάσιμη ενδιάμεση αποθήκευση που χρησιμοποιείται για εργασίες εκπαίδευσης και ανακατασκευής ML.

Το παρακάτω σχήμα δείχνει μια συνοπτική αρχιτεκτονική που περιγράφει την ανταλλαγή δεδομένων μεταξύ των περιβαλλόντων cloud.

Η χρήση της πύλης αποθήκευσης με τον μηχανισμό προσωρινής αποθήκευσης επιτρέπει στις εφαρμογές εσωτερικής εγκατάστασης να έχουν γρήγορη πρόσβαση σε δεδομένα που είναι διαθέσιμα στην τοπική κρυφή μνήμη. Αυτό συμβαίνει ενώ ταυτόχρονα παρέχεται πρόσβαση σε επεκτάσιμο αποθηκευτικό χώρο στο cloud.

Με αυτήν την προσέγγιση, οι τρόποι λειτουργίας μπορούν να δημιουργήσουν ακατέργαστα δεδομένα από εργασίες απόκτησης, καθώς και να εγγράψουν τα ακατέργαστα δεδομένα σε ένα κοινόχρηστο στοιχείο δικτύου που χειρίζεται από το Storage Gateway.

Εάν η μέθοδος δημιουργεί πολλά αρχεία που ανήκουν στην ίδια σάρωση, συνιστάται να δημιουργήσετε ένα ενιαίο αρχείο (για παράδειγμα. tar) και να εκτελέσετε μία μεταφορά στο κοινόχρηστο στοιχείο δικτύου για να επιταχύνετε τη μεταφορά δεδομένων.

Επίπεδο αποσυμπίεσης και μετασχηματισμού δεδομένων

Το επίπεδο αποσυμπίεσης δεδομένων λαμβάνει τα πρωτογενή δεδομένα, εκτελεί αυτόματα αποσυμπίεση και εφαρμόζει πιθανούς μετασχηματισμούς στα πρωτογενή δεδομένα πριν υποβάλει τα προεπεξεργασμένα δεδομένα στο επίπεδο ανακατασκευής.

Η αρχιτεκτονική που υιοθετήθηκε περιγράφεται στο παρακάτω σχήμα.

Σε αυτήν την αρχιτεκτονική, τα ακατέργαστα δεδομένα MRI προσγειώνονται στον κάδο ακατέργαστης MRI S3, ενεργοποιώντας έτσι μια νέα καταχώρηση στο Υπηρεσία απλής ουράς Amazon (Amazon SQS).

An AWS Lambda Η συνάρτηση ανακτά το ακατέργαστο βάθος ουράς μαγνητικής τομογραφίας Amazon SQS, το οποίο αντιπροσωπεύει τον όγκο των ακατέργαστων αποκτήσεων MRI που έχουν μεταφορτωθεί στο AWS Cloud. Αυτό χρησιμοποιείται με AWS Fargate για αυτόματη διαμόρφωση του μεγέθους ενός Υπηρεσία ελαστικών εμπορευματοκιβωτίων Amazon (Amazon ECS) σύμπλεγμα.

Αυτή η προσέγγιση αρχιτεκτονικής της επιτρέπει να κλιμακώνεται αυτόματα προς τα πάνω και προς τα κάτω ανάλογα με τον αριθμό των ακατέργαστων σαρώσεων που προσγειώνονται στον κάδο ακατέργαστων εισόδων.

Αφού αποσυμπιεστούν και προεπεξεργασθούν τα ακατέργαστα δεδομένα MRI, αποθηκεύονται σε έναν άλλο κάδο S3 ώστε να μπορούν να ανακατασκευαστούν.

Επίπεδο ανάπτυξης νευρωνικού μοντέλου

Το επίπεδο ανάπτυξης νευρωνικού μοντέλου αποτελείται από μια υλοποίηση RAKI. Αυτό δημιουργεί ένα μοντέλο νευρωνικού δικτύου για να επιτρέψει τη γρήγορη ανακατασκευή εικόνας ακατέργαστων δεδομένων μαγνητικού συντονισμού που δεν έχουν δειγματιστεί.

Το παρακάτω σχήμα δείχνει την αρχιτεκτονική που υλοποιεί την ανάπτυξη του νευρικού μοντέλου και τη δημιουργία κοντέινερ.

Σε αυτή την αρχιτεκτονική, Amazon Sage Maker χρησιμοποιείται για την ανάπτυξη του νευρικού μοντέλου RAKI και ταυτόχρονα για τη δημιουργία του δοχείου που αργότερα χρησιμοποιείται για την εκτέλεση της ανακατασκευής της μαγνητικής τομογραφίας.

Στη συνέχεια, το κοντέινερ που δημιουργήθηκε περιλαμβάνεται στο πλήρως διαχειριζόμενο Μητρώο εμπορευματοκιβωτίων Amazon Elastic αποθετήριο (Amazon ECR), ώστε στη συνέχεια να μπορεί να αποσυναρμολογήσει εργασίες ανακατασκευής.

Η γρήγορη αποθήκευση δεδομένων εγγυάται με την υιοθέτηση του Amazon FSx για λάμψη. Παρέχει καθυστερήσεις κάτω του χιλιοστού του δευτερολέπτου, απόδοση έως και εκατοντάδες GBps και έως και εκατομμύρια IOPS. Αυτή η προσέγγιση δίνει στο SageMaker πρόσβαση σε μια οικονομικά αποδοτική, υψηλής απόδοσης και επεκτάσιμη λύση αποθήκευσης.

Στρώμα ανακατασκευής μαγνητικής τομογραφίας

Η ανακατασκευή της μαγνητικής τομογραφίας που βασίζεται στο νευρωνικό δίκτυο RAKI γίνεται με την αρχιτεκτονική που φαίνεται στο παρακάτω διάγραμμα.

Με το ίδιο αρχιτεκτονικό μοτίβο που υιοθετείται στο επίπεδο αποσυμπίεσης και προεπεξεργασίας, το επίπεδο ανακατασκευής κλιμακώνεται αυτόματα προς τα πάνω και προς τα κάτω αναλύοντας το βάθος της ουράς που είναι υπεύθυνη για τη διατήρηση όλων των αιτημάτων ανακατασκευής. Σε αυτήν την περίπτωση, για να ενεργοποιήσετε την υποστήριξη GPU, Παρτίδα AWS χρησιμοποιείται για την εκτέλεση εργασιών ανακατασκευής μαγνητικής τομογραφίας.

Το Amazon FSx for Luster χρησιμοποιείται για την ανταλλαγή μεγάλου όγκου δεδομένων που εμπλέκονται στην απόκτηση MRI. Επιπλέον, όταν ολοκληρωθεί μια εργασία ανακατασκευής και τα ανακατασκευασμένα δεδομένα MRI αποθηκεύονται στον κάδο στόχο S3, η αρχιτεκτονική που χρησιμοποιείται ζητά αυτόματα μια ανανέωση της πύλης αποθήκευσης. Αυτό καθιστά τα ανακατασκευασμένα δεδομένα διαθέσιμα στην εσωτερική εγκατάσταση.

Συνολική αρχιτεκτονική και αποτελέσματα

Η συνολική αρχιτεκτονική φαίνεται στο παρακάτω σχήμα.

Εφαρμόσαμε την περιγραφόμενη αρχιτεκτονική σε εργασίες ανακατασκευής MRI με σύνολα δεδομένων μέγεθος περίπου 2.4 GB.

Χρειάστηκαν περίπου 210 δευτερόλεπτα για την εκπαίδευση 221 συνόλων δεδομένων, για ένα σύνολο 514 GB ακατέργαστων δεδομένων σε έναν μόνο κόμβο εξοπλισμένο με Nvidia Tesla V100-SXM2-16GB.

Η ανακατασκευή, μετά την εκπαίδευση του δικτύου RAKI, χρειάστηκε κατά μέσο όρο 40 δευτερόλεπτα σε έναν μόνο κόμβο εξοπλισμένο με Nvidia Tesla V100-SXM2-16GB.

Η εφαρμογή της προηγούμενης αρχιτεκτονικής σε μια εργασία ανακατασκευής μπορεί να δώσει τα αποτελέσματα στο παρακάτω σχήμα.

Η εικόνα δείχνει ότι καλά αποτελέσματα μπορούν να ληφθούν μέσω τεχνικών ανακατασκευής όπως το RAKI. Επιπλέον, η υιοθέτηση της τεχνολογίας cloud μπορεί να καταστήσει διαθέσιμες αυτές τις βαριές υπολογιστικές προσεγγίσεις χωρίς τους περιορισμούς που υπάρχουν στις λύσεις εσωτερικής εγκατάστασης όπου οι αποθηκευτικοί και υπολογιστικοί πόροι είναι πάντα περιορισμένοι.

συμπεράσματα

Με εργαλεία όπως το Amazon SageMaker, το Amazon FSx for Lustre, το AWS Batch, το Fargate και το Lambda, μπορούμε να δημιουργήσουμε ένα διαχειριζόμενο περιβάλλον που είναι επεκτάσιμο, ασφαλές, οικονομικά αποδοτικό και ικανό να εκτελεί σύνθετες εργασίες όπως η ανακατασκευή εικόνας σε κλίμακα.

Σε αυτήν την ανάρτηση, εξερευνήσαμε μια πιθανή λύση για την ανακατασκευή εικόνας από ακατέργαστα δεδομένα τροπικότητας χρησιμοποιώντας μια υπολογιστικά εντατική τεχνική γνωστή ως RAKI: μια τεχνική βαθιάς εκμάθησης χωρίς βάση δεδομένων για γρήγορη ανακατασκευή εικόνας.

Για να μάθετε περισσότερα σχετικά με τον τρόπο με τον οποίο το AWS επιταχύνει την καινοτομία στην υγειονομική περίθαλψη, επισκεφτείτε το AWS για την υγεία.

αναφορές

---

Σχετικά με τον Συγγραφέα

Μπενεντέτο Καρόλο είναι ο Senior Solution Architect για ιατρική απεικόνιση και υγειονομική περίθαλψη στο Amazon Web Services στην Ευρώπη, τη Μέση Ανατολή και την Αφρική. Το έργο του επικεντρώνεται στο να βοηθά τους πελάτες ιατρικής απεικόνισης και υγειονομικής περίθαλψης να λύσουν επιχειρηματικά προβλήματα αξιοποιώντας την τεχνολογία. Ο Benedetto έχει πάνω από 15 χρόνια εμπειρίας στην τεχνολογία και την ιατρική απεικόνιση και έχει εργαστεί σε εταιρείες όπως η Canon Medical Research και η Vital Images. Ο Μπενεντέτο έλαβε το MSc του στη Μηχανική Λογισμικού από το Πανεπιστήμιο του Παλέρμο - Ιταλία.