روشهای تصویربرداری پزشکی مانند توموگرافی کامپیوتری (CT)، تصویربرداری رزونانس مغناطیسی (MRI)، تصویربرداری با اشعه ایکس پزشکی، تصویربرداری اولتراسوند و موارد دیگر معمولاً توسط پزشکان به دلایل مختلف استفاده میشوند. برخی از نمونهها شامل تشخیص تغییرات در ظاهر اندامها، بافتها و عروق و تشخیص ناهنجاریهایی مانند تومورها و انواع مختلف آسیبشناسی دیگر است.
قبل از اینکه پزشکان بتوانند از دادههای آن تکنیکها استفاده کنند، دادهها باید از شکل خام اصلی خود به شکلی تبدیل شوند که بتوان آن را به عنوان یک تصویر روی صفحه کامپیوتر نمایش داد.
این فرایند به عنوان شناخته شده است بازسازی تصویر، و نقش مهمی در گردش کار تصویربرداری پزشکی ایفا می کند - این مرحله ای است که تصاویر تشخیصی ایجاد می کند که می تواند توسط پزشکان بررسی شود.
در این پست، ما یک مورد استفاده از بازسازی MRI را مورد بحث قرار میدهیم، اما مفاهیم معماری را میتوان برای انواع دیگر بازسازی تصویر اعمال کرد.
پیشرفتها در زمینه بازسازی تصویر منجر به کاربرد موفقیتآمیز تکنیکهای مبتنی بر هوش مصنوعی در تصویربرداری تشدید مغناطیسی (MR) شده است. هدف از این تکنیک ها افزایش دقت بازسازی و در مورد روش MR و کاهش زمان مورد نیاز برای اسکن کامل است.
در MR، برنامههایی که از هوش مصنوعی برای کار با اکتسابهای نمونهبرداری نشده استفاده میکنند، با موفقیت به کار گرفته شدهاند. دستیابی به کاهش نزدیک به ده برابر در زمان اسکن.
زمان انتظار برای آزمایش هایی مانند ام آر آی و سی تی اسکن در چند سال گذشته به سرعت افزایش یافته است که منجر به زمان انتظار تا 3 ماه. برای اطمینان از مراقبت خوب از بیمار، نیاز روزافزون به دسترسی سریع به تصاویر بازسازی شده همراه با نیاز به کاهش هزینههای عملیاتی، نیاز به راهحلی با قابلیت مقیاسبندی بر اساس نیازهای ذخیرهسازی و محاسباتی را برانگیخته است.
علاوه بر نیازهای محاسباتی، رشد داده ها در چند سال اخیر افزایش ثابتی داشته است. به عنوان مثال، نگاهی به مجموعه داده های موجود توسط محاسبات تصویر پزشکی و مداخله به کمک رایانه (MICCAI)می توان دریافت که رشد سالانه برای MRI 21٪، برای CT 24٪ و برای MRI عملکردی (fMRI) 31٪ است. (برای اطلاعات بیشتر رجوع شود رشد مجموعه داده ها در تحقیقات تحلیل تصویر پزشکی.)
در این پست، معماری راه حلی را به شما نشان می دهیم که به این چالش ها می پردازد. این راه حل می تواند مراکز تحقیقاتی، مؤسسات رسانه ای و فروشندگان مدالیته را قادر سازد به قابلیت های ذخیره سازی نامحدود، قدرت GPU مقیاس پذیر، دسترسی سریع به داده ها برای آموزش و وظایف بازسازی یادگیری ماشین (ML)، محیط های توسعه ML ساده و سریع و توانایی دارای حافظه پنهان داخلی برای دسترسی سریع و کم تأخیر به داده های تصویر.
بررسی اجمالی راه حل
این راه حل از یک تکنیک بازسازی MRI به نام شبکه های عصبی مصنوعی قوی برای درونیابی فضای k (راکی). این رویکرد سودمند است زیرا مختص اسکن است و برای آموزش شبکه عصبی به داده های قبلی نیاز ندارد. اشکال این تکنیک این است که برای موثر بودن به قدرت محاسباتی زیادی نیاز دارد.
معماری AWS نشان میدهد که چگونه یک رویکرد بازسازی مبتنی بر ابر میتواند به طور موثر وظایف محاسباتی سنگینی مانند آنچه که شبکه عصبی RAKI مورد نیاز است، انجام دهد، مقیاسگذاری بر اساس بار و تسریع روند بازسازی. این دری را به روی تکنیک هایی باز می کند که به طور واقع بینانه نمی توانند در محل اجرا شوند.
لایه داده
لایه داده بر اساس اصول زیر طراحی شده است:
- یکپارچهسازی یکپارچه با روشهایی که دادههای تولید شده را در یک درایو ذخیرهسازی متصل از طریق اشتراک شبکه در یک دستگاه NAS ذخیره میکند.
- قابلیت های بی حد و حصر و ایمن ذخیره سازی داده ها برای مقیاس بندی به تقاضای مداوم فضای ذخیره سازی
- در دسترس بودن ذخیره سازی سریع برای بارهای کاری ML مانند آموزش عمیق عصبی و بازسازی تصویر عصبی
- توانایی آرشیو داده های تاریخی با استفاده از رویکردی کم هزینه و مقیاس پذیر
- اجازه دسترسی به دادههای بازسازیشده با بیشترین دسترسی را داشته باشید در حالی که به طور همزمان دادههایی را که کمتر به آنها دسترسی دارید با هزینه کمتر بایگانی کنید.
نمودار زیر این معماری را نشان می دهد.
این رویکرد از خدمات زیر استفاده می کند:
- دروازه ذخیره سازی AWS برای یکپارچگی یکپارچه با روش داخلی که اطلاعات را از طریق یک سیستم اشتراک فایل مبادله می کند. این امکان دسترسی شفاف به قابلیتهای ذخیرهسازی AWS Cloud زیر را فراهم میکند و در عین حال نحوه تبادل دادهها را حفظ میکند:
- بارگذاری ابری سریع حجم های تولید شده توسط روش MR.
- دسترسی با تأخیر کم به مطالعات MR بازسازیشده مکرر از طریق کش محلی ارائه شده توسط Storage Gateway.
- آمازون SageMaker برای ذخیره سازی ابری نامحدود و مقیاس پذیر. آمازون S3 همچنین بایگانی عمیق داده های MRI خام تاریخی و کم هزینه را فراهم می کند یخچال طبیعی آمازون S3و یک ردیف ذخیره سازی هوشمند برای MRI بازسازی شده با آمازون S3 Intelligent-Tiering.
- آمازون FSx برای Luster برای ذخیره سازی میانی سریع و مقیاس پذیر که برای آموزش ML و وظایف بازسازی استفاده می شود.
شکل زیر یک معماری مختصر را نشان می دهد که تبادل داده بین محیط های ابری را توصیف می کند.
استفاده از Storage Gateway با مکانیزم ذخیره سازی به برنامه های کاربردی داخلی اجازه می دهد تا به سرعت به داده هایی که در حافظه پنهان محلی موجود است دسترسی پیدا کنند. این در حالی رخ می دهد که به طور همزمان به فضای ذخیره سازی مقیاس پذیر در ابر دسترسی پیدا می کند.
با این رویکرد، روشها میتوانند دادههای خام را از مشاغل اکتسابی تولید کنند، و همچنین دادههای خام را در یک اشتراک شبکه که از Storage Gateway مدیریت میشود، بنویسند.
اگر مدالیته چندین فایل را ایجاد می کند که به یک اسکن تعلق دارند، توصیه می شود یک بایگانی واحد ایجاد کنید (به عنوان مثال tar)، و یک انتقال واحد را به اشتراک شبکه انجام دهید تا انتقال داده تسریع شود.
لایه رفع فشرده سازی و تبدیل داده ها
لایه رفع فشرده سازی داده ها، داده های خام را دریافت می کند، به طور خودکار فشرده سازی را انجام می دهد و قبل از ارسال داده های پیش پردازش شده به لایه بازسازی، تبدیل های بالقوه را به داده های خام اعمال می کند.
معماری اتخاذ شده در شکل زیر مشخص شده است.
در این معماری، دادههای خام MRI در سطل خام MRI S3 قرار میگیرند، در نتیجه یک ورودی جدید در سرویس صف ساده آمازون (Amazon SQS).
An AWS لامبدا تابع عمق صف خام MRI آمازون SQS را بازیابی می کند، که نشان دهنده مقدار اکتساب های خام MRI آپلود شده در AWS Cloud است. این با استفاده می شود AWS Fargate برای تعدیل خودکار اندازه an سرویس کانتینر الاستیک آمازون خوشه (Amazon ECS).
این رویکرد معماری به آن اجازه میدهد تا بر اساس تعداد اسکنهای خام وارد شده به سطل ورودی خام، بهطور خودکار بالا و پایین شود.
پس از اینکه دادههای خام MRI از حالت فشرده خارج شدند و از قبل پردازش شدند، در سطل S3 دیگری ذخیره میشوند تا بتوان آن را بازسازی کرد.
لایه توسعه مدل عصبی
لایه توسعه مدل عصبی از یک پیاده سازی RAKI تشکیل شده است. این یک مدل شبکه عصبی ایجاد میکند تا امکان بازسازی سریع تصویر دادههای خام تشدید مغناطیسی کم نمونهبرداری شده را فراهم کند.
شکل زیر معماری را نشان می دهد که توسعه مدل عصبی و ایجاد ظرف را محقق می کند.
در این معماری، آمازون SageMaker برای توسعه مدل عصبی RAKI، و به طور همزمان برای ایجاد ظرفی که بعداً برای انجام بازسازی MRI استفاده می شود، استفاده می شود.
سپس کانتینر ایجاد شده در مدیریت کامل قرار می گیرد رجیستری ظروف الاستیک آمازون مخزن (Amazon ECR) تا پس از آن بتواند وظایف بازسازی را جدا کند.
ذخیره سازی سریع داده ها با پذیرش تضمین شده است آمازون FSx برای Luster. تأخیرهای زیر میلیثانیهای، تا صدها گیگابایت بر ثانیه توان عملیاتی و تا میلیونها IOPS را فراهم میکند. این رویکرد به SageMaker دسترسی به یک راه حل ذخیره سازی مقرون به صرفه، با کارایی بالا و مقیاس پذیر می دهد.
لایه بازسازی ام آر آی
بازسازی MRI بر اساس شبکه عصبی RAKI با معماری نشان داده شده در نمودار زیر انجام می شود.
با همان الگوی معماری اتخاذ شده در لایهی فشردهسازی و پیشپردازش، لایه بازسازی بهطور خودکار با تجزیه و تحلیل عمق صف که مسئول نگهداشتن تمام درخواستهای بازسازی است، بالا و پایین میشود. در این مورد، برای فعال کردن پشتیبانی از GPU، دسته AWS برای اجرای کارهای بازسازی MRI استفاده می شود.
Amazon FSx for Luster برای مبادله مقدار زیادی از داده های موجود در اکتساب MRI استفاده می شود. علاوه بر این، هنگامی که یک کار بازسازی کامل می شود و داده های MRI بازسازی شده در سطل S3 هدف ذخیره می شود، معماری به کار گرفته شده به طور خودکار درخواست تجدید درگاه ذخیره سازی می کند. این باعث می شود که داده های بازسازی شده در دسترس تسهیلات داخلی باشد.
معماری کلی و نتایج
معماری کلی در شکل زیر نشان داده شده است.
ما معماری توصیف شده را بر روی وظایف بازسازی MRI به کار بردیم مجموعه داده ها حجم تقریبی 2.4 گیگابایت
تقریباً 210 ثانیه طول کشید تا 221 مجموعه داده آموزش داده شود که در مجموع 514 گیگابایت داده خام روی یک گره مجهز به Nvidia Tesla V100-SXM2-16GB است.
بازسازی، پس از آموزش شبکه RAKI، به طور متوسط 40 ثانیه در یک نود مجهز به Nvidia Tesla V100-SXM2-16GB طول کشید.
استفاده از معماری قبلی در یک کار بازسازی می تواند نتایج را در شکل زیر به دست آورد.
تصویر نشان می دهد که با تکنیک های بازسازی مانند RAKI می توان نتایج خوبی به دست آورد. علاوه بر این، اتخاذ فناوری ابری میتواند این رویکردهای محاسباتی سنگین را بدون محدودیتهای موجود در راهحلهای داخلی که منابع ذخیرهسازی و محاسباتی همیشه محدود هستند، در دسترس قرار دهد.
نتیجه گیری
با ابزارهایی مانند Amazon SageMaker، Amazon FSx for Lustre، AWS Batch، Fargate و Lambda، میتوانیم یک محیط مدیریت شده ایجاد کنیم که مقیاسپذیر، امن، مقرونبهصرفه و قادر به انجام کارهای پیچیده مانند بازسازی تصویر در مقیاس باشد.
در این پست، ما یک راهحل ممکن برای بازسازی تصویر از دادههای مدالیته خام با استفاده از یک تکنیک فشرده محاسباتی به نام RAKI بررسی کردیم: یک تکنیک یادگیری عمیق بدون پایگاه داده برای بازسازی سریع تصویر.
برای کسب اطلاعات بیشتر در مورد اینکه چگونه AWS نوآوری در مراقبت های بهداشتی را تسریع می کند، بازدید کنید AWS برای سلامتی.
منابع
درباره نویسنده
بندیتو کارولو معمار ارشد راه حل برای تصویربرداری پزشکی و مراقبت های بهداشتی در خدمات وب آمازون در اروپا، خاورمیانه و آفریقا است. کار او بر کمک به مشتریان تصویربرداری پزشکی و مراقبت های بهداشتی برای حل مشکلات تجاری با استفاده از فناوری متمرکز است. Benedetto بیش از 15 سال تجربه در زمینه فناوری و تصویربرداری پزشکی دارد و برای شرکت هایی مانند Canon Medical Research و Vital Images کار کرده است. بندتو مدرک کارشناسی ارشد خود را در رشته مهندسی نرم افزار از دانشگاه پالرمو - ایتالیا دریافت کرد.
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- آمازون FSx
- سرویس ذخیره سازی ساده آمازون (S3)
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- آموزش ماشین AWS
- دروازه ذخیره سازی AWS
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- دل-ه
- یادگیری عمیق
- کارشناس (400)
- گوگل ai
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- نحو
- زفیرنت