Pilvepõhine meditsiinilise pildistamise rekonstrueerimine sügavate närvivõrkude abil

Arstid kasutavad mitmesugustel põhjustel sageli meditsiinilisi kuvamismeetodeid, nagu kompuutertomograafia (CT), magnetresonantstomograafia (MRI), meditsiiniline röntgenkujutis, ultraheliuuring ja muud. Mõned näited hõlmavad muutuste tuvastamist elundite, kudede ja veresoonte väljanägemises ning kõrvalekallete tuvastamist, nagu kasvajad ja mitmesugused muud tüüpi patoloogiad.

Enne kui arstid saavad nendest tehnikatest saadud andmeid kasutada, tuleb andmed nende algsest algvormist teisendada vormiks, mida saab arvutiekraanil pildina kuvada.

Seda protsessi nimetatakse pildi rekonstrueerimine, ja see mängib meditsiinilise pildistamise töövoos üliolulist rolli – see on samm, mis loob diagnostilisi kujutisi, mida arstid saavad seejärel üle vaadata.

Selles postituses käsitleme MRI rekonstrueerimise kasutusjuhtu, kuid arhitektuurseid kontseptsioone saab rakendada ka teist tüüpi kujutiste rekonstrueerimisel.

Edusammud kujutiste rekonstrueerimise valdkonnas on viinud AI-põhiste tehnikate eduka rakendamiseni magnetresonantskuvamises (MR). Nende meetodite eesmärk on suurendada rekonstrueerimise täpsust ja MR-i modaalsuse korral ning vähendada täielikuks skaneerimiseks kuluvat aega.

MR-is on edukalt kasutatud rakendusi, mis kasutavad tehisintellekti alavalimiga värbamistega töötamiseks. saavutades ligi kümme korda lühema skaneerimisaja.

Ooteajad selliste testide jaoks nagu MRI-d ja CT-skaneeringud on viimase paari aasta jooksul kiiresti pikenenud, põhjustades ooteaeg kuni 3 kuud. Patsiendi hea hoolduse tagamiseks on kasvav vajadus rekonstrueeritud kujutiste kiire kättesaadavuse järele koos vajadusega vähendada tegevuskulusid tekitanud vajaduse lahenduse järele, mida on võimalik skaleerida vastavalt salvestus- ja arvutusvajadustele.

Lisaks arvutusvajadustele on andmete kasv viimastel aastatel pidevalt kasvanud. Näiteks vaadates andmekogumeid, mille on kättesaadavaks teinud Meditsiiniline pilditöötlus ja arvutipõhine sekkumine (MICCAI), on võimalik järeldada, et MRI puhul on aastane kasv 21%, CT puhul 24% ja funktsionaalse MRI (fMRI) puhul 31%. (Lisateabe saamiseks vaadake Andmekogumi kasv meditsiinilise pildianalüüsi uuringutes.)

Selles postituses näitame teile lahendusarhitektuuri, mis nende väljakutsetega tegeleb. See lahendus võimaldab uurimiskeskustel, meediaasutustel ja modaalsuse müüjatel juurdepääsu piiramatule salvestusvõimalusele, skaleeritavale GPU võimsusele, kiirele andmetele juurdepääsule masinõppe (ML) koolitus- ja rekonstrueerimisülesannete jaoks, lihtsatele ja kiiretele ML arenduskeskkondadele ning võimalusele on kohapealne vahemällu salvestamine, mis tagab kiire ja madala latentsusega pildiandmete kättesaadavuse.

Lahenduse ülevaade

See lahendus kasutab MRI rekonstrueerimistehnikat, mida tuntakse kui Tugev kunstnärvivõrgud k-ruumi interpoleerimiseks (RAKI). See lähenemine on kasulik, kuna see on skannimisspetsiifiline ja ei nõua närvivõrgu treenimiseks eelnevaid andmeid. Selle tehnika puuduseks on see, et selle tõhusus nõuab palju arvutusvõimsust.

Kirjeldatud AWS-i arhitektuur näitab, kuidas pilvepõhine rekonstrueerimismeetod suudab tõhusalt täita arvutuslikult raskeid ülesandeid, nagu RAKI närvivõrgu jaoks vajalik, skaleerides vastavalt koormusele ja kiirendades rekonstrueerimisprotsessi. See avab ukse tehnikatele, mida ei saa reaalselt ruumides rakendada.

Andmekiht

Andmekiht on üles ehitatud järgmiste põhimõtete järgi:

• Sujuv integreerimine modaalsustega, mis salvestavad NAS-seadme võrgujagamise kaudu ühendatud salvestusseadmesse loodud andmeid
• Piiramatud ja turvalised andmesalvestusvõimalused, mida saab kohandada vastavalt pidevale salvestusruumi nõudlusele
• Kiire salvestusruumi kättesaadavus ML-töökoormuste jaoks, nagu sügav närvitreening ja närvikujutise rekonstrueerimine
• Võimalus arhiveerida ajaloolisi andmeid, kasutades odavat skaleeritavat lähenemisviisi
• Lubage kättesaadavus kõige sagedamini kasutatavatele rekonstrueeritud andmetele, hoides samal ajal harvemini kasutatavaid andmeid madalama hinnaga arhiveerituna

Järgmine diagramm illustreerib seda arhitektuuri.

See lähenemisviis kasutab järgmisi teenuseid:

• AWS-i salvestusvärav sujuvaks integreerimiseks kohapealse modaalsusega, mis vahetab teavet failijagamissüsteemi kaudu. See võimaldab läbipaistvat juurdepääsu järgmistele AWS-i pilvesalvestusvõimalustele, säilitades samal ajal viisi, kuidas modaalsus andmeid vahetab.
  • MR-modaalsuse loodud mahtude kiire pilve üleslaadimine.
  • Madala latentsusega juurdepääs sageli kasutatavatele rekonstrueeritud MR-uuringutele Storage Gateway pakutava kohaliku vahemälu kaudu.
• Amazon SageMaker piiramatu ja skaleeritava pilvesalvestuse jaoks. Amazon S3 pakub ka odavat ajaloolist töötlemata MRI andmete sügavat arhiveerimist Amazon S3 liustikja intelligentne salvestustasand rekonstrueeritud MRI jaoks Amazon S3 intelligentne tasand.
• Amazon FSx Lusteri jaoks kiireks ja skaleeritavaks vahesalvestuseks, mida kasutatakse ML-i koolituse ja rekonstrueerimisülesannete jaoks.

Järgmisel joonisel on ülevaatlik arhitektuur, mis kirjeldab pilvekeskkondade vahelist andmevahetust.

Storage Gateway kasutamine koos vahemällu salvestamise mehhanismiga võimaldab kohapealsetel rakendustel kiiresti pääseda juurde kohalikus vahemälus saadaolevatele andmetele. See juhtub, võimaldades samal ajal juurdepääsu skaleeritavale salvestusruumile pilves.

Selle lähenemisviisi abil saavad meetodid genereerida toorandmeid hankimistöödest ja kirjutada toorandmed Storage Gateway'i hallatavasse võrguosasse.

Kui modaalsus genereerib mitu faili, mis kuuluvad samasse skannimisse, on soovitatav luua üks arhiiv (näiteks .tar) ja teha andmeedastuse kiirendamiseks üks ülekanne võrgu ühiskasutusse.

Andmete lahtipakkimise ja teisenduskiht

Andmete lahtipakkimise kiht võtab algandmed vastu, teostab automaatselt lahtipakkimise ja rakendab algandmetele võimalikke teisendusi enne eeltöödeldud andmete esitamist rekonstrueerimiskihile.

Vastuvõetud arhitektuur on välja toodud järgmisel joonisel.

Selles arhitektuuris satuvad MRI töötlemata andmed töötlemata MRI S3 ämbrisse, käivitades seeläbi uue kirje Amazoni lihtsa järjekorra teenus (Amazon SQS).

An AWS Lambda funktsioon hangib töötlemata MRI Amazon SQS järjekorra sügavuse, mis tähistab AWS-i pilve üles laaditud töötlemata MRI võtete hulka. Seda kasutatakse koos AWS Fargate an suuruse automaatseks moduleerimiseks Amazoni elastsete konteinerite teenus (Amazon ECS) klaster.

See arhitektuuriline lähenemisviis võimaldab sellel automaatselt skaleerida üles ja alla vastavalt töötlemata sisendsalve sisestatud töötlemata skannimiste arvule.

Pärast MRI töötlemata andmete lahtipakkimist ja eeltöötlemist salvestatakse need teise S3 ämbrisse, et neid saaks rekonstrueerida.

Närvimudeli arenduskiht

Närvimudeli arenduskiht koosneb RAKI teostusest. See loob närvivõrgu mudeli, mis võimaldab kiiret kujutise rekonstrueerimist aladisamplitud magnetresonantsi algandmetest.

Järgmisel joonisel on kujutatud arhitektuur, mis realiseerib närvimudeli arendamise ja konteineri loomise.

Selles arhitektuuris Amazon SageMaker kasutatakse RAKI närvimudeli väljatöötamiseks ja samaaegselt konteineri loomiseks, mida hiljem kasutatakse MRI rekonstrueerimiseks.

Seejärel kaasatakse loodud konteiner täielikult hallatavasse Amazoni elastsete konteinerite register (Amazon ECR) hoidla, et see saaks seejärel rekonstrueerimisülesandeid lahutada.

Kiire andmesalvestus on tagatud vastuvõtmisega Amazon FSx Lusteri jaoks. See pakub allamillisekundiseid latentsusaega, kuni sadu GBps läbilaskevõimet ja kuni miljoneid IOPS-i. See lähenemisviis annab SageMakerile juurdepääsu kulutõhusale, suure jõudlusega ja skaleeritavale salvestuslahendusele.

MRI rekonstrueerimiskiht

RAKI närvivõrgul põhinevat MRI rekonstrueerimist käsitleb järgmisel diagrammil näidatud arhitektuur.

Dekompressiooni- ja eeltöötluskihis kasutatud sama arhitektuurimustriga mastaabib rekonstrueerimiskiht automaatselt üles ja alla, analüüsides kõigi rekonstrueerimistaotluste hoidmise eest vastutava järjekorra sügavust. Sel juhul GPU toe lubamiseks AWS partii kasutatakse MRI rekonstrueerimistööde tegemiseks.

Amazon FSx for Lusteri kasutatakse MRI hankimisega seotud suure hulga andmete vahetamiseks. Peale selle, kui rekonstrueerimistöö on lõpule viidud ja rekonstrueeritud MRI andmed salvestatakse siht-S3 ämbrisse, taotleb kasutatav arhitektuur automaatselt salvestuslüüsi värskendamist. See muudab rekonstrueeritud andmed asutusesisesele rajatisele kättesaadavaks.

Üldine arhitektuur ja tulemused

Üldine arhitektuur on näidatud järgmisel joonisel.

Rakendasime kirjeldatud arhitektuuri MRI rekonstrueerimise ülesannetele andmekogumid umbes 2.4 GB suurune.

210 andmestiku koolitamiseks kulus ligikaudu 221 sekundit, kokku 514 GB algandmeid ühes Nvidia Tesla V100-SXM2-16 GB-ga varustatud sõlmes.

Rekonstrueerimine võttis pärast RAKI võrgu koolitamist ühes Nvidia Tesla V40-SXM100-2GB-ga varustatud sõlmes keskmiselt 16 sekundit.

Eelneva arhitektuuri rakendamine rekonstrueerimistööle võib anda tulemusi järgmisel joonisel.

Pilt näitab, et häid tulemusi on võimalik saada rekonstrueerimistehnikate, näiteks RAKI abil. Lisaks võib pilvetehnoloogia kasutuselevõtt muuta need arvutusmahukad lähenemisviisid kättesaadavaks ilma kohapealsetes lahendustes leiduvate piiranguteta, kus salvestus- ja arvutusressursid on alati piiratud.

Järeldused

Selliste tööriistade nagu Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate ja Lambda abil saame luua hallatava keskkonna, mis on skaleeritav, turvaline, kulutõhus ja suudab täita keerulisi ülesandeid, nagu näiteks kujutise mastaapne rekonstrueerimine.

Selles postituses uurisime võimalikku lahendust kujutise rekonstrueerimiseks modaalsuse töötlemata andmetest, kasutades arvutuslikult intensiivset tehnikat, mida tuntakse kui RAKI: andmebaasivaba süvaõppe tehnikat kiireks kujutise rekonstrueerimiseks.

Lisateavet selle kohta, kuidas AWS kiirendab innovatsiooni tervishoius, leiate aadressilt AWS tervisele.

viited

---

Andmeid autor

Benedetto Carollo on Amazon Web Servicesi meditsiinilise pildistamise ja tervishoiu vanemlahenduse arhitekt Euroopas, Lähis-Idas ja Aafrikas. Tema töö keskendub meditsiinilise pildistamise ja tervishoiu klientide abistamisele äriprobleemide lahendamisel tehnoloogiat kasutades. Benedettol on üle 15-aastane kogemus tehnoloogia ja meditsiinilise pildistamise vallas ning ta on töötanud sellistes ettevõtetes nagu Canon Medical Research ja Vital Images. Benedetto omandas summa cum laude MSc tarkvaratehnika erialal Palermo ülikoolist (Itaalia).