Reconstrucción de imágenes médicas basada en la nube utilizando redes neuronales profundas

Las técnicas de imágenes médicas como la tomografía computarizada (CT), la resonancia magnética (MRI), las imágenes médicas de rayos X, las imágenes de ultrasonido y otras son comúnmente utilizadas por los médicos por varias razones. Algunos ejemplos incluyen la detección de cambios en la apariencia de órganos, tejidos y vasos, y la detección de anomalías como tumores y otros tipos de patologías.

Antes de que los médicos puedan usar los datos de esas técnicas, los datos deben transformarse de su forma nativa sin procesar a una forma que pueda mostrarse como una imagen en la pantalla de una computadora.

Este proceso se conoce como reconstrucción de imágenes, y juega un papel crucial en un flujo de trabajo de imágenes médicas: es el paso que crea imágenes de diagnóstico que luego pueden ser revisadas por los médicos.

En esta publicación, discutimos un caso de uso de reconstrucción de resonancia magnética, pero los conceptos arquitectónicos se pueden aplicar a otros tipos de reconstrucción de imágenes.

Los avances en el campo de la reconstrucción de imágenes han llevado a la aplicación exitosa de técnicas basadas en IA dentro de las imágenes de resonancia magnética (RM). Estas técnicas tienen como objetivo aumentar la precisión de la reconstrucción y, en el caso de la modalidad de RM, y disminuir el tiempo requerido para una exploración completa.

Dentro de MR, las aplicaciones que usan IA para trabajar con adquisiciones submuestreadas se han empleado con éxito, lograr una reducción de casi diez veces en los tiempos de escaneo.

Los tiempos de espera para pruebas como resonancias magnéticas y tomografías computarizadas han aumentado rápidamente en los últimos años, lo que lleva a tiempos de espera de hasta 3 meses. Para garantizar una buena atención al paciente, la creciente necesidad de disponibilidad rápida de imágenes reconstruidas junto con la necesidad de reducir los costos operativos ha impulsado la necesidad de una solución capaz de escalar según las necesidades computacionales y de almacenamiento.

Además de las necesidades informáticas, el crecimiento de los datos ha experimentado un aumento constante en los últimos años. Por ejemplo, mirando los conjuntos de datos puestos a disposición por el Informática de imágenes médicas e intervención asistida por computadora (MICCAI), es posible deducir que el crecimiento anual es del 21% para RM, 24% para TC y 31% para RM funcional (fMRI). (Para obtener más información, consulte Crecimiento del conjunto de datos en la investigación de análisis de imágenes médicas.)

En esta publicación, le mostramos una arquitectura de solución que aborda estos desafíos. Esta solución puede permitir que los centros de investigación, las instituciones médicas y los proveedores de modalidades tengan acceso a capacidades de almacenamiento ilimitadas, potencia de GPU escalable, acceso rápido a datos para tareas de reconstrucción y capacitación de aprendizaje automático (ML), entornos de desarrollo de ML simples y rápidos, y la capacidad de tener almacenamiento en caché en las instalaciones para una disponibilidad de datos de imagen rápida y de baja latencia.

Resumen de la solución

Esta solución utiliza una técnica de reconstrucción de resonancia magnética conocida como Robustas redes neuronales artificiales para la interpolación del espacio k (RAQUI). Este enfoque es ventajoso porque es específico del escaneo y no requiere datos previos para entrenar la red neuronal. El inconveniente de esta técnica es que requiere mucha potencia computacional para ser efectiva.

La arquitectura de AWS descrita muestra cómo un enfoque de reconstrucción basado en la nube puede realizar de manera efectiva tareas computacionales pesadas como la que requiere la red neuronal RAKI, escalando de acuerdo con la carga y acelerando el proceso de reconstrucción. Esto abre la puerta a técnicas que no se pueden implementar de manera realista en las instalaciones.

Capa de datos

La capa de datos se ha diseñado en torno a los siguientes principios:

• Integración perfecta con modalidades que almacenan datos generados en una unidad de almacenamiento adjunta a través de un recurso compartido de red en un dispositivo NAS
• Capacidades ilimitadas y seguras de almacenamiento de datos para adaptarse a la demanda continua de espacio de almacenamiento
• Rápida disponibilidad de almacenamiento para cargas de trabajo de ML, como entrenamiento neuronal profundo y reconstrucción de imágenes neuronales
• La capacidad de archivar datos históricos utilizando un enfoque escalable y de bajo costo
• Permita la disponibilidad de los datos reconstruidos a los que se accede con mayor frecuencia y, al mismo tiempo, mantenga archivados los datos a los que se accede con menos frecuencia a un costo menor.

El siguiente diagrama ilustra esta arquitectura.

Este enfoque utiliza los siguientes servicios:

• Puerta de enlace de almacenamiento de AWS para una integración perfecta con la modalidad local que intercambia información a través de un sistema de intercambio de archivos. Esto permite un acceso transparente a las siguientes capacidades de almacenamiento en la nube de AWS mientras se mantiene la forma en que la modalidad intercambia datos:
  • Carga rápida en la nube de los volúmenes generados por la modalidad MR.
  • Acceso de baja latencia a estudios de RM reconstruidos de uso frecuente a través del almacenamiento en caché local ofrecido por Storage Gateway.
• Amazon SageMaker para almacenamiento en la nube ilimitado y escalable. Amazon S3 también proporciona archivado profundo de datos MRI sin procesar históricos de bajo costo con Glaciar Amazon S3, y un nivel de almacenamiento inteligente para la resonancia magnética reconstruida con Niveles inteligentes de Amazon S3.
• Amazon FSx para Lustre para almacenamiento intermedio rápido y escalable utilizado para tareas de reconstrucción y entrenamiento de ML.

La siguiente figura muestra una arquitectura concisa que describe el intercambio de datos entre los entornos de nube.

El uso de Storage Gateway con el mecanismo de almacenamiento en caché permite que las aplicaciones locales accedan rápidamente a los datos que están disponibles en el caché local. Esto ocurre al mismo tiempo que da acceso al espacio de almacenamiento escalable en la nube.

Con este enfoque, las modalidades pueden generar datos sin procesar a partir de trabajos de adquisición, así como escribir los datos sin procesar en un recurso compartido de red manejado desde Storage Gateway.

Si la modalidad genera múltiples archivos que pertenecen al mismo escaneo, se recomienda crear un solo archivo (.tar por ejemplo) y realizar una sola transferencia al recurso compartido de red para acelerar la transferencia de datos.

Capa de transformación y descompresión de datos

La capa de descompresión de datos recibe los datos sin procesar, realiza la descompresión automáticamente y aplica transformaciones potenciales a los datos sin procesar antes de enviar los datos preprocesados ​​a la capa de reconstrucción.

La arquitectura adoptada se describe en la siguiente figura.

En esta arquitectura, los datos de MRI sin procesar aterrizan en el cubo MRI S3 sin procesar, lo que activa una nueva entrada en Servicio de cola simple de Amazon (Amazon SQS).

An AWS Lambda La función recupera la profundidad de cola de Amazon SQS de MRI sin procesar, que representa la cantidad de adquisiciones de MRI sin procesar cargadas en la nube de AWS. Esto se usa con AWS Fargate para modular automáticamente el tamaño de un Servicio de contenedor elástico de Amazon (Amazon ECS) clúster.

Este enfoque de arquitectura le permite escalar automáticamente hacia arriba y hacia abajo de acuerdo con la cantidad de escaneos sin procesar que llegan al depósito de entrada sin procesar.

Una vez que los datos de resonancia magnética sin procesar se descomprimen y preprocesan, se guardan en otro depósito de S3 para que se puedan reconstruir.

Capa de desarrollo de modelo neuronal

La capa de desarrollo del modelo neuronal consiste en una implementación de RAKI. Esto crea un modelo de red neuronal para permitir la reconstrucción rápida de imágenes de datos sin procesar de resonancia magnética submuestreados.

La siguiente figura muestra la arquitectura que realiza el desarrollo del modelo neuronal y la creación de contenedores.

En esta arquitectura, Amazon SageMaker se usa para desarrollar el modelo neuronal RAKI y, simultáneamente, para crear el contenedor que luego se usa para realizar la reconstrucción de resonancia magnética.

Luego, el contenedor creado se incluye en el totalmente administrado Registro de contenedores elásticos de Amazon (Amazon ECR) para que luego pueda derivar tareas de reconstrucción.

El almacenamiento rápido de datos está garantizado por la adopción de Amazon FSx para Lustre. Proporciona latencias de submilisegundos, hasta cientos de GBps de rendimiento y hasta millones de IOPS. Este enfoque brinda a SageMaker acceso a una solución de almacenamiento rentable, escalable y de alto rendimiento.

capa de reconstrucción de resonancia magnética

La reconstrucción de MRI basada en la red neuronal RAKI es manejada por la arquitectura que se muestra en el siguiente diagrama.

Con el mismo patrón arquitectónico adoptado en la capa de descompresión y preprocesamiento, la capa de reconstrucción escala automáticamente hacia arriba y hacia abajo mediante el análisis de la profundidad de la cola responsable de contener todas las solicitudes de reconstrucción. En este caso, para habilitar la compatibilidad con GPU, Lote de AWS se utiliza para ejecutar los trabajos de reconstrucción de MRI.

Amazon FSx for Lustre se usa para intercambiar la gran cantidad de datos involucrados en la adquisición de IRM. Además, cuando se completa un trabajo de reconstrucción y los datos de MRI reconstruidos se almacenan en el depósito S3 de destino, la arquitectura empleada solicita automáticamente una actualización de la puerta de enlace de almacenamiento. Esto hace que los datos reconstruidos estén disponibles para la instalación local.

Arquitectura general y resultados.

La arquitectura general se muestra en la siguiente figura.

Aplicamos la arquitectura descrita en tareas de reconstrucción de resonancia magnética con conjuntos de datos aproximadamente 2.4 GB de tamaño.

Tomó aproximadamente 210 segundos entrenar 221 conjuntos de datos, para un total de 514 GB de datos sin procesar en un solo nodo equipado con un Nvidia Tesla V100-SXM2-16GB.

La reconstrucción, después de entrenar la red RAKI, tomó un promedio de 40 segundos en un solo nodo equipado con un Nvidia Tesla V100-SXM2-16GB.

La aplicación de la arquitectura anterior a un trabajo de reconstrucción puede arrojar los resultados de la siguiente figura.

La imagen muestra que se pueden obtener buenos resultados mediante técnicas de reconstrucción como RAKI. Además, la adopción de la tecnología en la nube puede hacer que estos enfoques de cómputo pesado estén disponibles sin las limitaciones que se encuentran en las soluciones locales donde el almacenamiento y los recursos computacionales siempre son limitados.

Conclusiones

Con herramientas como Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate y Lambda, podemos crear un entorno administrado que sea escalable, seguro, rentable y capaz de realizar tareas complejas como la reconstrucción de imágenes a escala.

En esta publicación, exploramos una posible solución para la reconstrucción de imágenes a partir de datos de modalidad sin procesar utilizando una técnica computacionalmente intensiva conocida como RAKI: una técnica de aprendizaje profundo sin base de datos para la reconstrucción rápida de imágenes.

Para obtener más información sobre cómo AWS está acelerando la innovación en el cuidado de la salud, visite AWS para la salud.

Referencias

---

Acerca del autor.

Carlos Benedetto es el arquitecto de soluciones sénior para imágenes médicas y atención médica en Amazon Web Services en Europa, Medio Oriente y África. Su trabajo se centra en ayudar a los clientes de imágenes médicas y atención médica a resolver problemas comerciales mediante el aprovechamiento de la tecnología. Benedetto tiene más de 15 años de experiencia en tecnología e imágenes médicas y ha trabajado para empresas como Canon Medical Research y Vital Images. Benedetto recibió su maestría summa cum laude en Ingeniería de Software de la Universidad de Palermo, Italia.