यह पोस्ट NVIDIA के मिंग (मेल्विन) किन, डेविड बेरिकैट और ब्रैड जेनेरक्स के साथ मिलकर लिखी गई है।
मेडिकल इमेजिंग एआई शोधकर्ताओं और डेवलपर्स को अपने एआई अनुप्रयोगों को बनाने, तैनात करने और एकीकृत करने के लिए एक स्केलेबल, एंटरप्राइज़ ढांचे की आवश्यकता है। इस दृष्टिकोण को वास्तविकता बनाने के लिए AWS और NVIDIA एक साथ आए हैं। AWS, NVIDIA, और अन्य भागीदार एंटरप्राइज़ इमेजिंग की क्लाउड कनेक्टिविटी में तेजी लाकर स्वास्थ्य सेवा को अधिक सुलभ, किफायती और कुशल बनाने के लिए एप्लिकेशन और समाधान बनाएं। मोनाई तैनाती भीतर प्रमुख मॉड्यूल में से एक है Monai (मेडिकल ओपन नेटवर्क फॉर आर्टिफिशियल इंटेलिजेंस) NVIDIA सहित अकादमिक और उद्योग जगत के नेताओं के एक संघ द्वारा विकसित किया गया है। एडब्ल्यूएस हेल्थइमेजिंग (एएचआई) एक एचआईपीएए-योग्य, अत्यधिक स्केलेबल, प्रदर्शन करने वाला और लागत प्रभावी मेडिकल इमेजरी स्टोर है। हमने क्लाउड-नेटिव एपीआई द्वारा संचालित पैमाने पर सबसेकंड छवि पुनर्प्राप्ति विलंबता के साथ मेडिकल इमेजिंग एआई अनुप्रयोगों को एकीकृत करने के लिए एएचआई के लिए एक मोनाई डिप्लॉय कनेक्टर विकसित किया है। MONAI AI मॉडल और एप्लिकेशन को होस्ट किया जा सकता है अमेज़न SageMaker, जो बड़े पैमाने पर मशीन लर्निंग (एमएल) मॉडल को तैनात करने के लिए पूरी तरह से प्रबंधित सेवा है। सेजमेकर अनुमान के लिए उदाहरणों को स्थापित करने और प्रबंधित करने का ध्यान रखता है और एंडपॉइंट के लिए अंतर्निहित मेट्रिक्स और लॉग प्रदान करता है जिनका उपयोग आप मॉनिटर करने और अलर्ट प्राप्त करने के लिए कर सकते हैं। यह विभिन्न प्रकार की पेशकश भी करता है NVIDIA GPU उदाहरण एमएल अनुमान के लिए, साथ ही स्वचालित स्केलिंग के साथ कई मॉडल परिनियोजन विकल्प भी शामिल हैं वास्तविक समय अनुमान, सर्वर रहित अनुमान, अतुल्यकालिक अनुमान, तथा बैच परिवर्तन.
इस पोस्ट में, हम प्रदर्शित करते हैं कि वास्तविक समय अनुमान और अतुल्यकालिक अनुमान के लिए सेजमेकर मल्टी-मॉडल एंडपॉइंट का उपयोग करके AWS हेल्थइमेजिंग के कनेक्टर के साथ एक MONAI एप्लिकेशन पैकेज (MAP) को कैसे तैनात किया जाए। ये दो विकल्प अधिकांश वास्तविक समय चिकित्सा इमेजिंग अनुमान पाइपलाइन उपयोग के मामलों को कवर करते हैं।
समाधान अवलोकन
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
.. पूर्वापेक्षाएँ
निम्नलिखित पूर्वापेक्षा चरणों को पूरा करें:
- निम्नलिखित में से किसी एक क्षेत्र में AWS खाते का उपयोग करें, जहां AWS हेल्थइमेजिंग उपलब्ध है: उत्तरी वर्जीनिया (
us-east-1
), ओरेगन (us-west-2
), आयरलैंड (eu-west-1
), और सिडनी (ap-southeast-2
). - एक बनाएं अमेज़ॅन सैजमेकर स्टूडियो डोमेन और उपयोगकर्ता प्रोफ़ाइल साथ में AWS पहचान और अभिगम प्रबंधन (IAM) AWS हेल्थइमेजिंग तक पहुँचने की अनुमति।
- JupyterLab v3 एक्सटेंशन सक्षम करें और यदि आप सेजमेकर नोटबुक पर इंटरैक्टिव रूप से चिकित्सा छवियों की कल्पना करना चाहते हैं तो Imjoy-jupyter-extension स्थापित करें itkwidgets.
AWS हेल्थइमेजिंग से MAP कनेक्टर
AWS हेल्थइमेजिंग DICOM P10 फ़ाइलों को आयात करता है और उन्हें ImageSets में परिवर्तित करता है, जो DICOM श्रृंखला का एक अनुकूलित प्रतिनिधित्व है। AHI ImageSet मेटाडेटा और ImageFrames तक API पहुंच प्रदान करता है। मेटाडेटा में JSON दस्तावेज़ में सभी DICOM विशेषताएँ शामिल हैं। ImageFrames को एन्कोड करके लौटाया जाता है हाई-थ्रूपुट JPEG2000 (HTJ2K) दोषरहित प्रारूप, जिसे अत्यंत तेजी से डिकोड किया जा सकता है। का उपयोग करके ImageSets को पुनः प्राप्त किया जा सकता है AWS कमांड लाइन इंटरफ़ेस (AWS CLI) या AWS एसडीके.
मोनाई एक मेडिकल इमेजिंग एआई ढांचा है जो अनुसंधान सफलताओं और एआई अनुप्रयोगों को नैदानिक प्रभाव में ले जाता है। मोनाई डिप्लॉय प्रोसेसिंग पाइपलाइन है जो क्लिनिकल उत्पादन में पैकेजिंग, परीक्षण, तैनाती और मेडिकल इमेजिंग एआई अनुप्रयोगों को चलाने सहित एंड-टू-एंड वर्कफ़्लो को सक्षम बनाता है। इसमें शामिल है Monai ऐप एसडीके तैनात करें, मोनाई डिप्लॉय एक्सप्रेस, कार्यप्रवाह प्रबंधक, तथा सूचना विज्ञान गेटवे. मोनाई डिप्लॉय ऐप एसडीके मेडिकल इमेजिंग एआई अनुप्रयोगों के निर्माण में तेजी लाने के लिए उपयोग में आसान एल्गोरिदम और एक ढांचा प्रदान करता है, साथ ही एप्लिकेशन को एमएपी कंटेनर में पैकेज करने के लिए उपयोगिता उपकरण भी प्रदान करता है। ऐप एसडीके में अंतर्निहित मानक-आधारित कार्यक्षमताएं एमएपी को स्वास्थ्य आईटी नेटवर्क में आसानी से एकीकृत करने की अनुमति देती हैं, जिसके लिए डीआईसीओएम, एचएल7 और एफएचआईआर जैसे मानकों और डेटा सेंटर और क्लाउड वातावरण में उपयोग की आवश्यकता होती है। एमएपी डीआईसीओएम छवि लोडिंग, श्रृंखला चयन, मॉडल अनुमान और पोस्टप्रोसेसिंग के लिए पूर्वनिर्धारित और अनुकूलित दोनों ऑपरेटरों का उपयोग कर सकते हैं
हमने एक विकसित किया है पायथन मॉड्यूल AWS हेल्थइमेजिंग पायथन SDK Boto3 का उपयोग करना। आप इसे पिप इंस्टाल कर सकते हैं और DICOM सर्विस-ऑब्जेक्ट पेयर (SOP) इंस्टेंसेस को पुनः प्राप्त करने के लिए हेल्पर फ़ंक्शन का उपयोग इस प्रकार कर सकते हैं:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
आउटपुट एसओपी उदाहरणों को निम्नलिखित में इंटरैक्टिव 3डी मेडिकल इमेज व्यूअर आईटीक्विजेट्स का उपयोग करके देखा जा सकता है नोटबुक। AHItoDICOM क्लास समानांतर में AWS हेल्थइमेजिंग से पिक्सेल फ़्रेम पुनर्प्राप्त करने के लिए कई प्रक्रियाओं का लाभ उठाता है, और व्याख्या करना la HTJ2K बाइनरी ब्लॉब्स का उपयोग पायथन ओपनजेपीईजी लाइब्रेरी. ImageSetIds किसी दिए गए AWS हेल्थइमेजिंग आयात कार्य की आउटपुट फ़ाइलों से आते हैं। DatastoreId और आयात JobId को देखते हुए, आप ImageSetId को पुनः प्राप्त कर सकते हैं, जो DICOM श्रृंखला उदाहरण UID के बराबर है, इस प्रकार:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
ImageSetId के साथ, आप मूल AWS हेल्थइमेजिंग एपीआई फ़ंक्शंस का उपयोग करके DICOM हेडर मेटाडेटा और छवि पिक्सेल को अलग से पुनर्प्राप्त कर सकते हैं। DICOM निर्यातक समुच्चय DICOM हेडर और छवि पिक्सेल में पाइडिकॉम डेटासेट, जिसे इसके द्वारा संसाधित किया जा सकता है MAP DICOM डेटा लोडर ऑपरेटर. DICOMizeImageSet() फ़ंक्शन का उपयोग करके, हमने MAP के आधार पर AWS हेल्थइमेजिंग से छवि डेटा लोड करने के लिए एक कनेक्टर बनाया है DICOM डेटा लोडर ऑपरेटर:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
पूर्ववर्ती कोड में, ahi_client
AHItoDICOM DICOM निर्यातक वर्ग का एक उदाहरण है, जिसमें डेटा पुनर्प्राप्ति कार्यों का वर्णन किया गया है। हमने इस नए डेटा लोडर ऑपरेटर को इसमें शामिल किया है मोनाई डिप्लॉय ऐप एसडीके द्वारा बनाया गया 3डी प्लीहा विभाजन एआई एप्लिकेशन. आप पहले यह पता लगा सकते हैं कि इस एप्लिकेशन को कैसे बनाया और चलाया जाए स्थानीय नोटबुक उदाहरण पर, और फिर इस MAP एप्लिकेशन को SageMaker प्रबंधित अनुमान समापन बिंदुओं में तैनात करें।
SageMaker अतुल्यकालिक निष्कर्ष
एक सेजमेकर अतुल्यकालिक अनुमान एंडपॉइंट का उपयोग बड़े पेलोड आकार (1 जीबी तक), लंबे प्रसंस्करण समय (15 मिनट तक) और लगभग वास्तविक समय विलंबता आवश्यकताओं वाले अनुरोधों के लिए किया जाता है। जब प्रक्रिया के लिए कोई अनुरोध नहीं होता है, तो यह परिनियोजन विकल्प लागत बचत के लिए इंस्टेंस गिनती को शून्य तक कम कर सकता है, जो मेडिकल इमेजिंग एमएल अनुमान वर्कलोड के लिए आदर्श है। में दिए गए चरणों का पालन करें नमूना नोटबुक सेजमेकर अतुल्यकालिक अनुमान समापन बिंदु को बनाने और लागू करने के लिए। को एक अतुल्यकालिक अनुमान समापन बिंदु बनाएं, आपको पहले एक सेजमेकर मॉडल और एंडपॉइंट कॉन्फ़िगरेशन बनाना होगा। सेजमेकर मॉडल बनाने के लिए, आपको एक model.tar.gz पैकेज को लोड करना होगा परिभाषित निर्देशिका संरचना एक डॉकर कंटेनर में. model.tar.gz पैकेज में एक पूर्व-प्रशिक्षित प्लीहा विभाजन मॉडल.ts फ़ाइल और एक अनुकूलित inference.py फ़ाइल शामिल है। हमने मॉडल को लोड करने और पूर्वानुमान चलाने के लिए Python 3.8 और PyTorch 1.12.1 फ्रेमवर्क संस्करणों के साथ एक पूर्वनिर्मित कंटेनर का उपयोग किया है।
अनुकूलित में inference.py फ़ाइल में, हम AHItoDICOMInterface से एक AHItoDICOM हेल्पर क्लास को इंस्टेंट करते हैं और इसका उपयोग MAP इंस्टेंस बनाने के लिए करते हैं model_fn()
फ़ंक्शन, और हम प्रत्येक अनुमान अनुरोध पर एमएपी एप्लिकेशन चलाते हैं predict_fn()
समारोह:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
सेवा मेरे अतुल्यकालिक समापन बिंदु का आह्वान करें, आपको अनुरोध इनपुट पेलोड अपलोड करना होगा अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3), जो एक JSON फ़ाइल है जो अनुमान चलाने के लिए AWS हेल्थइमेजिंग डेटास्टोर आईडी और इमेजसेट आईडी निर्दिष्ट करती है:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
आउटपुट Amazon S3 में भी पाया जा सकता है।
सेजमेकर मल्टी-मॉडल वास्तविक समय अनुमान
SageMaker वास्तविक समय अनुमान एंडपॉइंट इंटरैक्टिव, कम-विलंबता आवश्यकताओं को पूरा करते हैं। यह विकल्प एक एंडपॉइंट के पीछे एक कंटेनर में कई मॉडलों को होस्ट कर सकता है, जो कई एमएल मॉडल को तैनात करने के लिए एक स्केलेबल और लागत प्रभावी समाधान है। ए सेजमेकर मल्टी-मॉडल एंडपॉइंट NVIDIA ट्राइटन इंट्रेंस सर्वर का उपयोग करता है एकाधिक गहन शिक्षण मॉडल अनुमानों को चलाने के लिए GPU के साथ।
इस अनुभाग में, हम मल्टी-मॉडल एंडपॉइंट बनाने और लागू करने के तरीके के बारे में जानेंगे अपने स्वयं के अनुमान कंटेनर को अनुकूलित करना निम्नलिखित में नमूना नोटबुक. विभिन्न मॉडलों को संसाधनों के एक ही बेड़े पर एक साझा कंटेनर में परोसा जा सकता है। मल्टी-मॉडल एंडपॉइंट परिनियोजन ओवरहेड को कम करते हैं और ट्रैफ़िक पैटर्न के आधार पर एंडपॉइंट तक स्केल मॉडल अनुमान लगाते हैं। हमने इस्तेमाल किया AWS डेवलपर उपकरण समेत अमेज़ॅन कोडकमिट, अमेज़ॅन कोडबिल्ड, तथा अमेज़ॅन कोडपाइपलाइन करने के लिए का निर्माण अनुकूलित कंटेनर सेजमेकर मॉडल अनुमान के लिए। हमने एक तैयार किया model_handler.py पिछले उदाहरण में inference.py फ़ाइल के बजाय अपना खुद का कंटेनर लाने के लिए, और इनिशियलाइज़ (), प्रीप्रोसेस (), और इंफ़रेंस () फ़ंक्शंस को लागू किया:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
कंटेनर बनने और धकेलने के बाद अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर), आप इसके साथ सेजमेकर मॉडल बना सकते हैं, साथ ही दिए गए अमेज़ॅन एस3 पथ में विभिन्न मॉडल पैकेज (tar.gz फ़ाइलें) बना सकते हैं:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
गौरतलब है कि model_url
यहां केवल tar.gz फ़ाइलों के फ़ोल्डर का पथ निर्दिष्ट किया गया है, और आप निर्दिष्ट करते हैं कि जब आप एंडपॉइंट का आह्वान करते हैं तो अनुमान के लिए किस मॉडल पैकेज का उपयोग करना है, जैसा कि निम्नलिखित कोड में दिखाया गया है:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
हम एंडपॉइंट को अपडेट किए बिना या नया बनाए बिना मौजूदा मल्टी-मॉडल अनुमान एंडपॉइंट में और अधिक मॉडल जोड़ सकते हैं।
क्लीन अप
को पूरा करना न भूलें होस्टिंग संसाधन हटाएँ में कदम रखें प्रयोगशाला-3 और प्रयोगशाला-4 सेजमेकर अनुमान समापन बिंदुओं को हटाने के लिए नोटबुक। लागत बचाने के लिए आपको सेजमेकर नोटबुक इंस्टेंस को भी बंद कर देना चाहिए। अंत में, आप या तो AWS हेल्थइमेजिंग एपीआई फ़ंक्शन को कॉल कर सकते हैं या पहले बनाए गए छवि सेट और डेटा स्टोर को हटाने के लिए AWS हेल्थइमेजिंग कंसोल का उपयोग कर सकते हैं:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
निष्कर्ष
इस पोस्ट में, हमने आपको AWS हेल्थइमेजिंग के लिए एक MAP कनेक्टर बनाने का तरीका दिखाया है, जो MONAI डिप्लॉय ऐप SDK के साथ निर्मित अनुप्रयोगों में पुन: प्रयोज्य है, जो क्लाउड-नेटिव DICOM स्टोर से मेडिकल इमेजिंग AI वर्कलोड के लिए छवि डेटा पुनर्प्राप्ति को एकीकृत और तेज करता है। . मोनाई डिप्लॉय एसडीके का उपयोग अस्पताल संचालन में सहायता के लिए किया जा सकता है। हमने सेजमेकर पर बड़े पैमाने पर एमएपी एआई अनुप्रयोगों को तैनात करने के लिए दो होस्टिंग विकल्पों का भी प्रदर्शन किया।
में उदाहरण नोटबुक देखें गिटहब भंडार AWS हेल्थइमेजिंग में संग्रहीत चिकित्सा छवियों के साथ SageMaker पर MONAI अनुप्रयोगों को कैसे तैनात किया जाए, इसके बारे में अधिक जानने के लिए। यह जानने के लिए कि AWS आपके लिए क्या कर सकता है, संपर्क करें एडब्ल्यूएस प्रतिनिधि.
अतिरिक्त संसाधनों के लिए, निम्नलिखित देखें:
लेखक के बारे में
मिंग (मेल्विन) किन एनवीआईडीआईए में हेल्थकेयर टीम में एक स्वतंत्र योगदानकर्ता है, जो एआई को मेडिकल इमेजिंग वर्कफ़्लो में लाने के लिए एआई अनुमान एप्लिकेशन फ्रेमवर्क और प्लेटफॉर्म विकसित करने पर केंद्रित है। क्लारा के संस्थापक सदस्य के रूप में 2018 में NVIDIA में शामिल होने से पहले, मिंग ने स्टेंटोर इंक में मुख्य अभियंता/वास्तुकार के रूप में रेडियोलॉजी पीएसीएस और वर्कफ्लो सास विकसित करने में 15 साल बिताए, जिसे बाद में फिलिप्स हेल्थकेयर ने एंटरप्राइज इमेजिंग बनाने के लिए अधिग्रहण कर लिया।
डेविड बेरिकैट वह NVIDIA में हेल्थकेयर के लिए एक उत्पाद प्रबंधक हैं, जहां वह AI को अनुसंधान से नैदानिक परिनियोजन तक लाने के लिए प्रोजेक्ट MONAI डिप्लॉय वर्किंग ग्रुप का नेतृत्व करते हैं। उनका जुनून विश्व स्तर पर स्वास्थ्य नवाचार में तेजी लाना है और इसे वास्तविक नैदानिक प्रभाव में परिवर्तित करना है। इससे पहले, डेविड ने रेड हैट में एआई, क्लाउड, एज कंप्यूटिंग और आईओटी के इंटरसेक्शन पर ओपन सोर्स सिद्धांतों को लागू करने के लिए काम किया था। उनके सबसे गौरवपूर्ण क्षणों में एवरेस्ट बेस कैंप तक पैदल यात्रा करना और 20 वर्षों से अधिक समय तक फुटबॉल खेलना शामिल है।
ब्रैड जेनेरो NVIDIA में हेल्थकेयर एलायंस के ग्लोबल लीड हैं, जहां वह कृत्रिम बुद्धिमत्ता और गहन शिक्षण, विज़ुअलाइज़ेशन, वर्चुअलाइजेशन और एनालिटिक्स समाधानों में तेजी लाने के लिए मेडिकल इमेजिंग पर ध्यान देने के साथ डेवलपर संबंधों के लिए जिम्मेदार हैं। हेल्थकेयर आईटी में 20 से अधिक वर्षों के अनुभव के साथ, ब्रैड रोजमर्रा के नैदानिक अभ्यास में निर्बाध स्वास्थ्य देखभाल और चिकित्सा इमेजिंग वर्कफ़्लो के सर्वव्यापी अपनाने और एकीकरण का प्रचार करता है।
गंग फू AWS में हेल्थकेयर सॉल्यूशंस आर्किटेक्ट हैं। उन्होंने मिसिसिपी विश्वविद्यालय से फार्मास्युटिकल साइंस में पीएचडी की है और उनके पास प्रौद्योगिकी और बायोमेडिकल अनुसंधान का 10 वर्षों से अधिक का अनुभव है। वह प्रौद्योगिकी और स्वास्थ्य सेवा पर इसके प्रभाव के बारे में भावुक हैं।
जेपी लीगर एक वरिष्ठ समाधान वास्तुकार है जो AWS में अकादमिक चिकित्सा केंद्रों और चिकित्सा इमेजिंग वर्कफ़्लो का समर्थन करता है। उनके पास सॉफ्टवेयर इंजीनियरिंग, हेल्थकेयर आईटी और मेडिकल इमेजिंग में 20 वर्षों से अधिक की विशेषज्ञता है, जिसमें परिसर, क्लाउड में बड़े डेटा वॉल्यूम की वितरित तैनाती और एनालिटिक्स और एआई के साथ हाइब्रिड में प्रदर्शन, स्केलेबिलिटी और सुरक्षा के लिए आर्किटेक्टिंग सिस्टम का व्यापक अनुभव है। .
क्रिस हाफ़ी अमेज़न वेब सर्विसेज में प्रिंसिपल सॉल्यूशंस आर्किटेक्ट हैं। उनके पास मेडिकल इमेजिंग उद्योग में 25 वर्षों से अधिक का अनुभव है और वे स्केलेबल उच्च-प्रदर्शन प्रणाली बनाने में माहिर हैं। वह लोकप्रिय कॉर्नरस्टोनजेएस ओपन सोर्स प्रोजेक्ट के निर्माता हैं, जो लोकप्रिय ओएचआईएफ ओपन सोर्स जीरो फुटप्रिंट व्यूअर को शक्ति प्रदान करता है। उन्होंने DICOMweb विनिर्देशन में योगदान दिया और वेब-आधारित देखने के लिए इसके प्रदर्शन को बेहतर बनाने की दिशा में काम करना जारी रखा।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 12
- 15 साल
- 15% तक
- 20
- 20 साल
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- About
- शैक्षिक
- में तेजी लाने के
- तेज
- पहुँच
- सुलभ
- लेखा
- प्राप्त
- के पार
- जोड़ना
- अतिरिक्त
- दत्तक ग्रहण
- लाभ
- सस्ती
- AI
- एआई मॉडल
- चेतावनियाँ
- एल्गोरिदम
- सब
- गठबंधन
- अनुमति देना
- भी
- वीरांगना
- अमेज़ॅन वेब सेवा
- an
- विश्लेषिकी
- और
- एपीआई
- एपीआई एक्सेस
- एपीआई
- अनुप्रयोग
- आवेदन
- अनुप्रयोगों
- स्थापत्य
- हैं
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- AS
- At
- विशेषताओं
- स्वचालित
- उपलब्ध
- एडब्ल्यूएस
- आधार
- आधारित
- BE
- से पहले
- पीछे
- बायोमेडिकल
- परिवर्तन
- के छात्रों
- चोबा
- सफलताओं
- लाना
- निर्माण
- इमारत
- बनाया गया
- में निर्मित
- by
- कॉल
- शिविर
- कर सकते हैं
- कौन
- मामलों
- केंद्र
- केंद्र
- क्लारा
- कक्षा
- क्लिनिकल
- बादल
- कोड
- कैसे
- पूरा
- शामिल
- कंप्यूटिंग
- विन्यास
- कनेक्टिविटी
- कंसोल
- संघ
- संपर्क करें
- कंटेनर
- शामिल हैं
- अंतर्वस्तु
- प्रसंग
- जारी
- योगदान
- अंशदाता
- लागत
- लागत बचत
- प्रभावी लागत
- लागत
- आवरण
- सहलिखित
- बनाना
- बनाया
- निर्माता
- अनुकूलित
- तिथि
- डाटा केंद्र
- डेविड
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- दिखाना
- साबित
- तैनात
- तैनाती
- तैनाती
- तैनाती
- देव
- विकसित
- डेवलपर
- डेवलपर्स
- विकासशील
- विभिन्न
- वितरित
- do
- डाक में काम करनेवाला मज़दूर
- दस्तावेज़
- नीचे
- पूर्व
- Edge
- बढ़त कंप्यूटिंग
- कुशल
- भी
- अन्य
- सक्षम बनाता है
- शुरू से अंत तक
- endpoint
- अभियांत्रिकी
- उद्यम
- वातावरण
- बराबर
- एवेरेस्ट
- प्रत्येक
- हर रोज़
- उदाहरण
- सिवाय
- मौजूदा
- अनुभव
- विशेषज्ञता
- का पता लगाने
- व्यापक
- विस्तृत अनुभव
- अत्यंत
- असत्य
- फास्ट
- पट्टिका
- फ़ाइलें
- अंत में
- प्रथम
- बेड़ा
- फोकस
- ध्यान केंद्रित
- का पालन करें
- निम्नलिखित
- इस प्रकार है
- पदचिह्न
- के लिए
- प्रपत्र
- प्रारूप
- पाया
- स्थापना
- ढांचा
- से
- fu
- पूरी तरह से
- समारोह
- कार्यक्षमताओं
- कार्यों
- GitHub
- दी
- वैश्विक
- ग्लोबली
- GPU
- समूह
- टोपी
- है
- होने
- he
- हेडर
- स्वास्थ्य
- स्वास्थ्य सेवा
- यहाँ उत्पन्न करें
- उच्च प्रदर्शन
- अत्यधिक
- उसके
- रखती है
- अस्पताल
- मेजबान
- मेजबानी
- होस्टिंग
- कैसे
- How To
- एचटीएमएल
- http
- HTTPS
- संकर
- ID
- आदर्श
- पहचान
- if
- दिखाता है
- की छवि
- छवियों
- इमेजिंग
- प्रभाव
- कार्यान्वित
- कार्यान्वयन
- आयात
- आयात
- में सुधार लाने
- in
- इंक
- शामिल
- शामिल
- शामिल
- सहित
- स्वतंत्र
- उद्योग
- नवोन्मेष
- निवेश
- निविष्टियां
- स्थापित
- उदाहरण
- बजाय
- एकीकृत
- एकीकरण
- बुद्धि
- इंटरैक्टिव
- प्रतिच्छेदन
- में
- IOT
- आयरलैंड
- IT
- आईटी इस
- काम
- शामिल होने
- जेपीजी
- JSON
- कुंजी
- जानना
- बड़ा
- विलंब
- बाद में
- नेतृत्व
- नेताओं
- बिक्रीसूत्र
- जानें
- सीख रहा हूँ
- लाइन
- भार
- लोडर
- लोड हो रहा है
- स्थानीय
- लंबा
- मशीन
- यंत्र अधिगम
- बहुमत
- बनाना
- कामयाब
- प्रबंधक
- प्रबंध
- नक्शा
- मैप्स
- मेडिकल
- मिलना
- सदस्य
- मेटाडाटा
- मेट्रिक्स
- मिनटों
- ML
- मोड
- आदर्श
- मॉडल
- मॉड्यूल
- लम्हें
- मॉनिटर
- अधिक
- बहु-मॉडल समापन बिंदु
- विभिन्न
- देशी
- आवश्यकता
- नेटवर्क
- नेटवर्क
- नया
- नहीं
- कोई नहीं
- उत्तर
- नोटबुक
- ध्यान देने योग्य
- Nvidia
- वस्तु
- of
- ऑफर
- on
- ONE
- केवल
- खुला
- खुला नेटवर्क
- खुला स्रोत
- संचालन
- ऑपरेटर
- ऑपरेटरों
- अनुकूलित
- विकल्प
- ऑप्शंस
- or
- ओरेगन
- OS
- अन्य
- उत्पादन
- के ऊपर
- अपना
- पैकेज
- संकुल
- पैकेजिंग
- जोड़ा
- समानांतर
- जुनून
- आवेशपूर्ण
- पथ
- पैटर्न उपयोग करें
- प्रदर्शन
- अनुमति
- फार्मास्युटिकल
- पीएचडी
- पाइपलाइन
- पिक्सेल
- मंच
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- खेल
- प्लस
- लोकप्रिय
- पद
- संचालित
- शक्तियां
- अभ्यास
- भविष्यवाणियों
- तैयार
- पिछला
- पहले से
- प्रिंसिपल
- सिद्धांतों
- प्रक्रिया
- प्रसंस्कृत
- प्रक्रियाओं
- प्रसंस्करण
- एस्ट्रो मॉल
- उत्पादन प्रबंधक
- उत्पादन
- परियोजना
- गुण
- प्रदान करता है
- धकेल दिया
- अजगर
- pytorch
- वास्तविक समय
- वास्तविकता
- प्राप्त करना
- लाल
- कार्डिनल की टोपी
- को कम करने
- उल्लेख
- क्षेत्र
- क्षेत्रों
- संबंधों
- प्रतिनिधित्व
- का अनुरोध
- अनुरोधों
- आवश्यकताएँ
- की आवश्यकता होती है
- अनुसंधान
- शोधकर्ताओं
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- जिम्मेदार
- वापसी
- पुन: प्रयोज्य
- रन
- दौड़ना
- s
- सास
- sagemaker
- सेजमेकर अनुमान
- वही
- सहेजें
- बचत
- अनुमापकता
- स्केलेबल
- स्केल
- स्केलिंग
- विज्ञान
- एसडीके
- निर्बाध
- अनुभाग
- सुरक्षा
- विभाजन
- चयन
- स्व
- वरिष्ठ
- कई
- सेवा की
- सेवा
- सेवाएँ
- सेट
- की स्थापना
- कई
- आकार
- साझा
- चाहिए
- पता चला
- दिखाया
- सरल
- आकार
- सुचारू रूप से
- फुटबॉल
- सॉफ्टवेयर
- सॉफ्टवेयर इंजीनियरिंग
- समाधान
- समाधान ढूंढे
- स्रोत
- माहिर
- विनिर्देश
- खर्च
- मानकों
- कदम
- कदम
- भंडारण
- की दुकान
- संग्रहित
- तार
- ऐसा
- समर्थन
- सहायक
- सिडनी
- सिस्टम
- लेता है
- टीम
- टेक्नोलॉजी
- परीक्षण
- से
- कि
- RSI
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इन
- इसका
- यहाँ
- बार
- सेवा मेरे
- एक साथ
- उपकरण
- की ओर
- यातायात
- नरमीन
- <strong>उद्देश्य</strong>
- कोशिश
- मोड़
- दो
- देशव्यापी
- विश्वविद्यालय
- अपडेट
- उपयोग
- प्रयुक्त
- उपयोगकर्ता
- का उपयोग करता है
- का उपयोग
- उपयोगिता
- विविधता
- संस्करणों
- देखने के
- वर्जीनिया
- दृष्टि
- दृश्य
- कल्पना
- संस्करणों
- W
- चलना
- करना चाहते हैं
- we
- वेब
- वेब सेवाओं
- वेब आधारित
- कुंआ
- क्या
- कब
- कौन कौन से
- मर्जी
- साथ में
- अंदर
- बिना
- काम
- काम किया
- वर्कफ़्लो
- workflows
- काम कर रहे
- काम करने वाला समहू
- साल
- आप
- आपका
- जेफिरनेट
- शून्य