Pilvipohjainen lääketieteellisen kuvantamisen rekonstruktio käyttämällä syviä hermoverkkoja

Lääkärit käyttävät yleisesti eri syistä lääketieteellisiä kuvantamistekniikoita, kuten tietokonetomografiaa (CT), magneettikuvausta (MRI), lääketieteellistä röntgenkuvausta, ultraäänikuvausta ja muita. Joitakin esimerkkejä ovat elinten, kudosten ja verisuonten ulkonäön muutosten havaitseminen ja poikkeavuuksien, kuten kasvainten ja erilaisten muiden patologioiden havaitseminen.

Ennen kuin lääkärit voivat käyttää näiden tekniikoiden tietoja, tiedot on muutettava alkuperäisestä raakamuodostaan ​​muotoon, joka voidaan näyttää kuvana tietokoneen näytöllä.

Tätä prosessia kutsutaan nimellä kuvan rekonstruointi, ja sillä on ratkaiseva rooli lääketieteellisen kuvantamisen työnkulussa – se on vaihe, jossa luodaan diagnostisia kuvia, jotka lääkärit voivat sitten tarkistaa.

Tässä viestissä keskustelemme MRI-rekonstruoinnin käyttötapauksesta, mutta arkkitehtonisia käsitteitä voidaan soveltaa muun tyyppiseen kuvarekonstruktioon.

Edistys kuvan rekonstruoinnin alalla on johtanut tekoälyyn perustuvien tekniikoiden menestykselliseen soveltamiseen magneettikuvauksessa (MR). Näillä tekniikoilla pyritään lisäämään rekonstruoinnin tarkkuutta ja MR-modaliteetin tapauksessa sekä lyhentämään täydelliseen skannaukseen tarvittavaa aikaa.

MR:ssä on käytetty menestyksekkäästi sovelluksia, jotka käyttävät tekoälyä työskennelläkseen aliotosten kanssa, lähes kymmenen kertaa lyhennetty skannausajat.

MRI- ja CT-tutkimusten kaltaisten testien odotusajat ovat lisääntyneet nopeasti parin viime vuoden aikana, mikä on johtanut odotusajat jopa 3 kuukautta. Potilaiden hyvän hoidon varmistamiseksi lisääntyvä tarve rekonstruoitujen kuvien nopealle saatavuudelle sekä tarve leikata käyttökustannuksia ovat lisänneet tarvetta varastointi- ja laskentatarpeiden mukaan skaalautuvalle ratkaisulle.

Laskentatarpeiden lisäksi datan kasvu on ollut tasaista kasvua viime vuosina. Esimerkiksi katsomalla tietojoukkoja, jotka ovat saatavilla Medical Image Computing and Computer Assisted Intervention (MICCAI)Voidaan päätellä, että vuosikasvu on 21 % magneettikuvauksessa, 24 % TT:ssä ja 31 % toiminnallisessa MRI:ssä (fMRI). (Lisätietoja, katso Tietojoukon kasvu lääketieteellisen kuva-analyysin tutkimuksessa.)

Tässä viestissä näytämme sinulle ratkaisuarkkitehtuurin, joka vastaa näihin haasteisiin. Tämä ratkaisu voi antaa tutkimuskeskuksille, medialaitoksille ja modaliteettitoimittajille pääsyn rajoittamattomiin tallennusominaisuuksiin, skaalautuvaan GPU-tehoon, nopeaan dataan pääsyyn koneoppimisen (ML) koulutus- ja jälleenrakennustehtäviin, yksinkertaisiin ja nopeisiin ML-kehitysympäristöihin sekä mahdollisuus niillä on paikallinen välimuisti nopean ja matalan viiveen kuvatietojen saamiseksi.

Ratkaisun yleiskatsaus

Tämä ratkaisu käyttää MRI-rekonstruktiotekniikkaa, joka tunnetaan nimellä Kestävät keinotekoiset hermoverkot k-avaruuden interpolointiin (RAKI). Tämä lähestymistapa on edullinen, koska se on skannauskohtainen eikä vaadi aiempaa dataa neuroverkon kouluttamiseen. Tämän tekniikan haittapuoli on, että se vaatii paljon laskentatehoa ollakseen tehokas.

Esitetty AWS-arkkitehtuuri osoittaa, kuinka pilvipohjainen rekonstruktiomenetelmä voi tehokkaasti suorittaa laskennallisesti raskaita tehtäviä, kuten RAKI-hermoverkon vaatimia tehtäviä, skaalaamalla kuormituksen mukaan ja nopeuttamalla rekonstruktioprosessia. Tämä avaa oven tekniikoille, joita ei voida realistisesti toteuttaa tiloissa.

Tietokerros

Tietokerros on rakennettu seuraavien periaatteiden mukaan:

• Saumaton integrointi modaliteettien kanssa, jotka tallentavat liitetylle tallennusasemalle luodut tiedot NAS-laitteen verkkojaon kautta
• Rajattomat ja turvalliset tiedontallennusominaisuudet skaalautuvat jatkuvaan tallennustilan tarpeeseen
• Nopea tallennustilan saatavuus ML-työkuormille, kuten syvälle hermokoulutukselle ja hermokuvan rekonstruoinnille
• Mahdollisuus arkistoida historiallisia tietoja käyttämällä edullista, skaalautuvaa lähestymistapaa
• Salli useimmin käytettyjen rekonstruoitujen tietojen saatavuus pitäen samalla harvemmin käytetyt tiedot arkistoituina halvemmalla

Seuraava kaavio kuvaa tätä arkkitehtuuria.

Tämä lähestymistapa käyttää seuraavia palveluita:

• AWS-tallennusyhdyskäytävä Saumaton integraatio paikalliseen järjestelmään, joka vaihtaa tietoja tiedostonjakojärjestelmän kautta. Tämä mahdollistaa läpinäkyvän pääsyn seuraaviin AWS Cloud -tallennusominaisuuksiin säilyttäen samalla tapaa vaihtaa tietoja:
  • Nopea pilvilataus MR-modaliteetin luomista volyymeistä.
  • Matala latenssi pääsy usein käytettyihin rekonstruoituihin MR-tutkimuksiin Storage Gatewayn tarjoaman paikallisen välimuistin kautta.
• Amazon Sage Maker rajoittamattomaan ja skaalautuvaan pilvitallennustilaan. Amazon S3 tarjoaa myös edullisia historiallisia raaka-MRI-tietojen syväarkistointia Amazon S3 -jäätikkö, ja älykäs tallennustaso rekonstruoidulle MRI:lle Amazon S3 Intelligent-Tiering.
• Amazon FSx Lusterille nopeaan ja skaalautuvaan välimuistiin, jota käytetään ML-koulutus- ja jälleenrakennustehtävissä.

Seuraavassa kuvassa on tiivis arkkitehtuuri, joka kuvaa pilviympäristöjen välistä tiedonvaihtoa.

Storage Gatewayn käyttäminen välimuistimekanismin kanssa mahdollistaa paikallisten sovellusten nopean pääsyn paikallisessa välimuistissa oleviin tietoihin. Tämä tapahtuu samalla, kun se antaa pääsyn pilvessä olevaan skaalautuvaan tallennustilaan.

Tällä lähestymistavalla modaliteetit voivat luoda raakadataa hankintatöistä sekä kirjoittaa raakadatan Storage Gatewayn käsittelemään verkkoosuuteen.

Jos modaliteetti luo useita tiedostoja, jotka kuuluvat samaan tarkistukseen, on suositeltavaa luoda yksi arkisto (esimerkiksi .tar) ja suorittaa yksi siirto verkkojakoon tiedonsiirron nopeuttamiseksi.

Tietojen purku- ja muunnoskerros

Datan purkukerros vastaanottaa raakadatan, suorittaa automaattisesti purkamisen ja soveltaa mahdollisia muunnoksia raakatietoihin ennen esikäsiteltyjen tietojen lähettämistä rekonstruktiokerrokseen.

Hyväksytty arkkitehtuuri on esitetty seuraavassa kuvassa.

Tässä arkkitehtuurissa MRI-raakadata laskeutuu raaka-MRI S3 -ämpäriin, mikä laukaisee uuden merkinnän Amazonin yksinkertainen jonopalvelu (Amazon SQS).

An AWS Lambda -toiminto hakee raaka-MRI Amazon SQS -jonosyvyyden, joka edustaa AWS-pilveen ladattujen raaka-MRI-hankintojen määrää. Tätä käytetään kanssa AWS-veljeskunta muuttaaksesi automaattisesti an:n kokoa Amazonin elastisten säiliöiden palvelu (Amazon ECS) -klusteri.

Tämä arkkitehtuurilähestymistapa mahdollistaa sen automaattisesti skaalaamaan ylös ja alas raakasyötteeseen saapuneiden raakaskannausten määrän mukaan.

Kun MRI-raakadata on purettu ja esikäsitelty, ne tallennetaan toiseen S3-ämpäriin, jotta ne voidaan rekonstruoida.

Neuromallin kehityskerros

Neuromallin kehityskerros koostuu RAKI-toteutuksesta. Tämä luo hermoverkkomallin, joka mahdollistaa alinäytteisen magneettisen resonanssin raakadatan nopean kuvan rekonstruoinnin.

Seuraava kuva esittää arkkitehtuuria, joka toteuttaa hermomallin kehittämisen ja kontin luomisen.

Tässä arkkitehtuurissa Amazon Sage Maker käytetään kehittämään RAKI-hermomallia ja samalla luomaan kontti, jota myöhemmin käytetään MRI-rekonstruktioon.

Sitten luotu säilö sisällytetään täysin hallinnoituun Amazonin elastisten säiliörekisteri (Amazon ECR) arkiston, jotta se voi sitten suorittaa jälleenrakennustehtäviä.

Nopea tiedontallennus on taattu hyväksymällä Amazon FSx Lusterille. Se tarjoaa alle millisekuntien viiveet, jopa satojen GBps:n suorituskyvyn ja miljoonien IOPS:ien. Tämä lähestymistapa antaa SageMakerille mahdollisuuden käyttää kustannustehokasta, suorituskykyistä ja skaalautuvaa tallennusratkaisua.

MRI-rekonstruktiokerros

RAKI-hermoverkkoon perustuva MRI-rekonstruktio hoidetaan seuraavassa kaaviossa esitetyllä arkkitehtuurilla.

Saman dekompressio- ja esikäsittelykerroksen arkkitehtuurimallin avulla rekonstruktiokerros skaalautuu automaattisesti ylös ja alas analysoimalla jonon syvyyttä, joka vastaa kaikkien rekonstruktiopyyntöjen säilyttämisestä. Tässä tapauksessa voit ottaa GPU-tuen käyttöön AWS-erä käytetään MRI-jälleenrakennustöiden suorittamiseen.

Amazon FSx for Luster -ohjelmaa käytetään magneettikuvaukseen liittyvien suurten tietomäärien vaihtamiseen. Lisäksi, kun rekonstruktiotyö on valmis ja rekonstruoitu MRI-data on tallennettu kohde-S3-alueeseen, käytetty arkkitehtuuri pyytää automaattisesti tallennusyhdyskäytävän päivitystä. Tämä antaa rekonstruoidut tiedot paikan päällä olevan laitoksen saataville.

Kokonaisarkkitehtuuri ja tulokset

Kokonaisarkkitehtuuri on esitetty seuraavassa kuvassa.

Sovelsimme kuvattua arkkitehtuuria MRI-rekonstruktiotehtäviin aineistot kooltaan noin 2.4 Gt.

210 tietojoukon kouluttaminen kesti noin 221 sekuntia eli yhteensä 514 Gt raakadataa yhdellä solmulla, joka oli varustettu Nvidia Tesla V100-SXM2-16 Gt:lla.

Rekonstruktio RAKI-verkon harjoittelun jälkeen kesti keskimäärin 40 sekuntia yhdellä Nvidia Tesla V100-SXM2-16GB:lla varustetulla solmulla.

Edellisen arkkitehtuurin soveltaminen jälleenrakennustyöhön voi tuottaa seuraavan kuvan tuloksia.

Kuva osoittaa, että hyviä tuloksia voidaan saada rekonstruointitekniikoilla, kuten RAKI:lla. Lisäksi pilviteknologian ottaminen käyttöön voi tehdä näistä paljon laskentaa vaativista lähestymistavoista saataville ilman rajoituksia, joita löytyy paikallisista ratkaisuista, joissa tallennus- ja laskentaresurssit ovat aina rajallisia.

Päätelmät

Työkaluilla, kuten Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate ja Lambda, voimme luoda hallitun ympäristön, joka on skaalautuva, turvallinen, kustannustehokas ja pystyy suorittamaan monimutkaisia ​​tehtäviä, kuten kuvien rekonstruointia mittakaavassa.

Tässä viestissä tutkimme mahdollista ratkaisua kuvan rekonstruoimiseen raakamodaalisuustiedoista käyttämällä laskennallisesti intensiivistä tekniikkaa, joka tunnetaan nimellä RAKI: tietokantaton syväoppimistekniikka nopeaan kuvan rekonstruointiin.

Lisätietoja siitä, kuinka AWS nopeuttaa terveydenhuollon innovaatioita, on osoitteessa AWS for Health.

Viitteet

---

Kirjailijasta

Benedetto Carollo on lääketieteellisen kuvantamisen ja terveydenhuollon vanhempi ratkaisuarkkitehti Amazon Web Services -palvelussa Euroopassa, Lähi-idässä ja Afrikassa. Hänen työnsä keskittyy auttamaan lääketieteellisen kuvantamisen ja terveydenhuollon asiakkaita ratkaisemaan liiketoiminnan ongelmia teknologiaa hyödyntäen. Benedettolla on yli 15 vuoden kokemus tekniikasta ja lääketieteellisestä kuvantamisesta, ja hän on työskennellyt yrityksissä, kuten Canon Medical Research ja Vital Images. Benedetto suoritti summa cum laude -tutkinnon ohjelmistotekniikasta Palermon yliopistosta Italiasta.