Reconstruction d'imagerie médicale basée sur le cloud à l'aide de réseaux de neurones profonds

Les techniques d'imagerie médicale telles que la tomodensitométrie (TDM), l'imagerie par résonance magnétique (IRM), l'imagerie médicale par rayons X, l'imagerie par ultrasons et autres sont couramment utilisées par les médecins pour diverses raisons. Certains exemples incluent la détection de changements dans l'apparence des organes, des tissus et des vaisseaux, et la détection d'anomalies telles que des tumeurs et divers autres types de pathologies.

Avant que les médecins puissent utiliser les données de ces techniques, les données doivent être transformées de leur forme brute native en une forme pouvant être affichée sous forme d'image sur un écran d'ordinateur.

Ce processus est connu comme reconstruction d'images, et il joue un rôle crucial dans un flux de travail d'imagerie médicale - c'est l'étape qui crée des images diagnostiques qui peuvent ensuite être examinées par des médecins.

Dans cet article, nous discutons d'un cas d'utilisation de la reconstruction IRM, mais les concepts architecturaux peuvent être appliqués à d'autres types de reconstruction d'image.

Les progrès dans le domaine de la reconstruction d'images ont conduit à l'application réussie de techniques basées sur l'IA dans l'imagerie par résonance magnétique (RM). Ces techniques visent à augmenter la précision de la reconstruction et dans le cas de la modalité MR, et à diminuer le temps nécessaire pour un balayage complet.

Au sein de MR, des applications utilisant l'IA pour travailler avec des acquisitions sous-échantillonnées ont été utilisées avec succès, permettant de réduire de près de dix fois les temps d'analyse.

Les temps d'attente pour des tests comme les IRM et les tomodensitogrammes ont augmenté rapidement au cours des deux dernières années, ce qui a entraîné temps d'attente jusqu'à 3 mois. Pour assurer de bons soins aux patients, le besoin croissant d'une disponibilité rapide des images reconstruites ainsi que la nécessité de réduire les coûts opérationnels ont entraîné le besoin d'une solution capable d'évoluer en fonction des besoins de stockage et de calcul.

Outre les besoins de calcul, la croissance des données a connu une augmentation constante au cours des dernières années. Par exemple, en examinant les ensembles de données mis à disposition par le Imagerie Médicale et Intervention Assistée par Ordinateur (MICCAI), on peut déduire que la croissance annuelle est de 21 % pour l'IRM, 24 % pour le CT et 31 % pour l'IRM fonctionnelle (fMRI). (Pour plus d'informations, reportez-vous à Croissance des ensembles de données dans la recherche sur l'analyse d'images médicales.)

Dans cet article, nous vous montrons une architecture de solution qui répond à ces défis. Cette solution peut permettre aux centres de recherche, aux institutions médicales et aux fournisseurs de modalités d'avoir accès à des capacités de stockage illimitées, à une puissance GPU évolutive, à un accès rapide aux données pour les tâches de formation et de reconstruction d'apprentissage automatique (ML), à des environnements de développement ML simples et rapides et à la capacité de disposent d'une mise en cache sur site pour une disponibilité rapide et à faible latence des données d'image.

Vue d'ensemble de la solution

Cette solution utilise une technique de reconstruction IRM dite Réseaux de neurones artificiels robustes pour l'interpolation dans l'espace k (RAKI). Cette approche est avantageuse car elle est spécifique à l'analyse et ne nécessite pas de données préalables pour entraîner le réseau neuronal. L'inconvénient de cette technique est qu'elle nécessite beaucoup de puissance de calcul pour être efficace.

L'architecture AWS décrite montre comment une approche de reconstruction basée sur le cloud peut effectuer efficacement des tâches gourmandes en calcul comme celle requise par le réseau neuronal RAKI, en évoluant en fonction de la charge et en accélérant le processus de reconstruction. Cela ouvre la porte à des techniques qui ne peuvent pas être mises en œuvre de manière réaliste sur place.

Couche de données

La couche de données a été architecturée autour des principes suivants :

• Intégration transparente avec des modalités qui stockent les données générées dans un lecteur de stockage connecté via un partage réseau sur un périphérique NAS
• Capacités de stockage de données illimitées et sécurisées pour s'adapter à la demande continue d'espace de stockage
• Disponibilité rapide du stockage pour les charges de travail ML telles que l'entraînement neuronal approfondi et la reconstruction d'images neuronales
• La possibilité d'archiver les données historiques à l'aide d'une approche peu coûteuse et évolutive
• Permettre la disponibilité des données reconstruites les plus fréquemment consultées tout en conservant simultanément les données moins fréquemment consultées archivées à moindre coût

Le diagramme suivant illustre cette architecture.

Cette approche utilise les services suivants :

• Passerelle de stockage AWS pour une intégration transparente avec la modalité sur site qui échange des informations via un système de partage de fichiers. Cela permet un accès transparent aux capacités de stockage AWS Cloud suivantes tout en conservant la manière dont la modalité échange les données :
  • Téléchargement rapide dans le cloud des volumes générés par la modalité MR.
  • Accès à faible latence aux études RM reconstruites fréquemment utilisées via la mise en cache locale offerte par Storage Gateway.
• Amazon Sage Maker pour un stockage cloud illimité et évolutif. Amazon S3 fournit également un archivage en profondeur des données IRM brutes historiques à faible coût avec Glacier Amazon S3, et un niveau de stockage intelligent pour l'IRM reconstruit avec Hiérarchisation intelligente d'Amazon S3.
• Amazon FSx pour Lustre pour un stockage intermédiaire rapide et évolutif utilisé pour les tâches de formation et de reconstruction ML.

La figure suivante montre une architecture concise décrivant l'échange de données entre les environnements cloud.

L'utilisation de Storage Gateway avec le mécanisme de mise en cache permet aux applications sur site d'accéder rapidement aux données disponibles sur le cache local. Cela se produit tout en donnant simultanément accès à un espace de stockage évolutif sur le cloud.

Avec cette approche, les modalités peuvent générer des données brutes à partir de tâches d'acquisition, ainsi qu'écrire les données brutes dans un partage réseau géré à partir de Storage Gateway.

Si la modalité génère plusieurs fichiers appartenant à la même analyse, il est recommandé de créer une seule archive (.tar par exemple) et d'effectuer un seul transfert vers le partage réseau pour accélérer le transfert des données.

Couche de décompression et de transformation des données

La couche de décompression de données reçoit les données brutes, effectue automatiquement la décompression et applique des transformations potentielles aux données brutes avant de soumettre les données prétraitées à la couche de reconstruction.

L'architecture adoptée est décrite dans la figure suivante.

Dans cette architecture, les données IRM brutes atterrissent dans le bucket IRM brut S3, déclenchant ainsi une nouvelle entrée dans Service Amazon Simple Queue (AmazonSQS).

An AWS Lambda récupère la profondeur de file d'attente d'IRM brute Amazon SQS, qui représente la quantité d'acquisitions d'IRM brutes chargées sur le cloud AWS. Ceci est utilisé avec AWSFargate pour moduler automatiquement la taille d'un Service de conteneur élastique Amazon (Amazon ECS).

Cette approche d'architecture lui permet d'augmenter et de réduire automatiquement le nombre d'analyses brutes reçues dans le compartiment d'entrée brute.

Une fois les données IRM brutes décompressées et prétraitées, elles sont enregistrées dans un autre compartiment S3 afin de pouvoir être reconstruites.

Couche de développement de modèles neuronaux

La couche de développement du modèle neuronal consiste en une implémentation RAKI. Cela crée un modèle de réseau neuronal pour permettre la reconstruction rapide d'images de données brutes de résonance magnétique sous-échantillonnées.

La figure suivante montre l'architecture qui réalise le développement du modèle neuronal et la création du conteneur.

Dans cette architecture, Amazon Sage Maker est utilisé pour développer le modèle neuronal RAKI, et simultanément pour créer le conteneur qui sera ensuite utilisé pour effectuer la reconstruction IRM.

Ensuite, le conteneur créé est inclus dans le conteneur entièrement géré Registre des conteneurs élastiques Amazon (Amazon ECR) afin qu'il puisse ensuite effectuer des tâches de reconstruction.

Le stockage rapide des données est garanti par l'adoption de Amazon FSx pour Lustre. Il fournit des latences inférieures à la milliseconde, jusqu'à des centaines de Go/s de débit et jusqu'à des millions d'IOPS. Cette approche permet à SageMaker d'accéder à une solution de stockage économique, performante et évolutive.

Couche de reconstruction IRM

La reconstruction IRM basée sur le réseau de neurones RAKI est gérée par l'architecture présentée dans le schéma suivant.

Avec le même modèle architectural adopté dans la couche de décompression et de prétraitement, la couche de reconstruction augmente et diminue automatiquement en analysant la profondeur de la file d'attente chargée de contenir toutes les demandes de reconstruction. Dans ce cas, pour activer la prise en charge du GPU, Lot AWS est utilisé pour exécuter les travaux de reconstruction IRM.

Amazon FSx for Lustre est utilisé pour échanger la grande quantité de données impliquées dans l'acquisition IRM. De plus, lorsqu'une tâche de reconstruction est terminée et que les données IRM reconstruites sont stockées dans le compartiment S3 cible, l'architecture utilisée demande automatiquement un rafraîchissement de la passerelle de stockage. Cela rend les données reconstruites disponibles pour l'installation sur site.

Architecture globale et résultats

L'architecture globale est illustrée dans la figure suivante.

Nous avons appliqué l'architecture décrite sur les tâches de reconstruction IRM avec ensembles de données environ 2.4 Go.

Il a fallu environ 210 secondes pour former 221 ensembles de données, pour un total de 514 Go de données brutes sur un seul nœud équipé d'un Nvidia Tesla V100-SXM2-16GB.

La reconstruction, après apprentissage du réseau RAKI, a pris en moyenne 40 secondes sur un seul nœud équipé d'un Nvidia Tesla V100-SXM2-16GB.

L'application de l'architecture précédente à un travail de reconstruction peut donner les résultats de la figure suivante.

L'image montre que de bons résultats peuvent être obtenus via des techniques de reconstruction telles que RAKI. De plus, l'adoption de la technologie cloud peut rendre ces approches gourmandes en calculs disponibles sans les limitations rencontrées dans les solutions sur site où les ressources de stockage et de calcul sont toujours limitées.

Conclusions

Avec des outils tels qu'Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate et Lambda, nous pouvons créer un environnement géré évolutif, sécurisé, rentable et capable d'effectuer des tâches complexes telles que la reconstruction d'images à grande échelle.

Dans cet article, nous avons exploré une solution possible pour la reconstruction d'images à partir de données de modalité brutes à l'aide d'une technique de calcul intensive connue sous le nom de RAKI : une technique d'apprentissage en profondeur sans base de données pour la reconstruction rapide d'images.

Pour en savoir plus sur la façon dont AWS accélère l'innovation dans le domaine de la santé, visitez AWS pour la santé.

Bibliographie

---

A propos de l'auteure

Benedetto Carollo est l'architecte principal de solutions pour l'imagerie médicale et les soins de santé chez Amazon Web Services en Europe, au Moyen-Orient et en Afrique. Son travail consiste à aider les clients de l'imagerie médicale et des soins de santé à résoudre les problèmes commerciaux en tirant parti de la technologie. Benedetto a plus de 15 ans d'expérience dans la technologie et l'imagerie médicale et a travaillé pour des sociétés telles que Canon Medical Research et Vital Images. Benedetto a obtenu sa maîtrise summa cum laude en génie logiciel de l'Université de Palerme - Italie.