गहरे तंत्रिका नेटवर्क का उपयोग करके क्लाउड-आधारित चिकित्सा इमेजिंग पुनर्निर्माण

मेडिकल इमेजिंग तकनीक जैसे कंप्यूटेड टोमोग्राफी (सीटी), चुंबकीय अनुनाद इमेजिंग (एमआरआई), मेडिकल एक्स-रे इमेजिंग, अल्ट्रासाउंड इमेजिंग, और अन्य आमतौर पर डॉक्टरों द्वारा विभिन्न कारणों से उपयोग किए जाते हैं। कुछ उदाहरणों में अंगों, ऊतकों और वाहिकाओं की उपस्थिति में परिवर्तन का पता लगाना और ट्यूमर और विभिन्न अन्य प्रकार की विकृति जैसी असामान्यताओं का पता लगाना शामिल है।

इससे पहले कि डॉक्टर उन तकनीकों से डेटा का उपयोग कर सकें, डेटा को अपने मूल कच्चे रूप से एक ऐसे रूप में बदलने की जरूरत है जिसे कंप्यूटर स्क्रीन पर एक छवि के रूप में प्रदर्शित किया जा सके।

इस प्रक्रिया के रूप में जाना जाता है छवि पुनर्निर्माण, और यह एक चिकित्सा इमेजिंग कार्यप्रवाह में एक महत्वपूर्ण भूमिका निभाता है—यह वह चरण है जो नैदानिक ​​चित्र बनाता है जिसकी डॉक्टरों द्वारा समीक्षा की जा सकती है।

इस पोस्ट में, हम एमआरआई पुनर्निर्माण के उपयोग के मामले पर चर्चा करते हैं, लेकिन वास्तुशिल्प अवधारणाओं को अन्य प्रकार के छवि पुनर्निर्माण पर लागू किया जा सकता है।

छवि पुनर्निर्माण के क्षेत्र में प्रगति ने चुंबकीय अनुनाद (एमआर) इमेजिंग के भीतर एआई-आधारित तकनीकों के सफल अनुप्रयोग को प्रेरित किया है। इन तकनीकों का उद्देश्य पुनर्निर्माण की सटीकता को बढ़ाना और एमआर मोडैलिटी के मामले में, और पूर्ण स्कैन के लिए आवश्यक समय को कम करना है।

एमआर के भीतर, कम नमूना अधिग्रहण के साथ काम करने के लिए एआई का उपयोग करने वाले अनुप्रयोगों को सफलतापूर्वक नियोजित किया गया है, स्कैन समय में लगभग दस गुना कमी प्राप्त करना.

एमआरआई और सीटी स्कैन जैसे परीक्षणों के लिए प्रतीक्षा समय पिछले कुछ वर्षों में तेजी से बढ़ा है, जिसके कारण 3 महीने तक प्रतीक्षा करें. अच्छी रोगी देखभाल सुनिश्चित करने के लिए, परिचालन लागत को कम करने की आवश्यकता के साथ-साथ पुनर्निर्मित छवियों की त्वरित उपलब्धता की बढ़ती आवश्यकता ने भंडारण और कम्प्यूटेशनल आवश्यकताओं के अनुसार स्केलिंग करने में सक्षम समाधान की आवश्यकता को प्रेरित किया है।

कम्प्यूटेशनल जरूरतों के अलावा, पिछले कुछ वर्षों में डेटा वृद्धि में लगातार वृद्धि देखी गई है। उदाहरण के लिए, द्वारा उपलब्ध कराए गए डेटासेट को देखते हुए मेडिकल इमेज कंप्यूटिंग और कंप्यूटर-असिस्टेड इंटरवेंशन (MICCAI), यह एकत्र करना संभव है कि वार्षिक वृद्धि MRI के लिए 21%, CT के लिए 24% और कार्यात्मक MRI (fMRI) के लिए 31% है। (अधिक जानकारी के लिए देखें मेडिकल इमेज एनालिसिस रिसर्च में डेटासेट ग्रोथ.)

इस पोस्ट में, हम आपको एक समाधान आर्किटेक्चर दिखाते हैं जो इन चुनौतियों का समाधान करता है। यह समाधान अनुसंधान केंद्रों, औसत दर्जे के संस्थानों और तौर-तरीकों के विक्रेताओं को असीमित भंडारण क्षमताओं, स्केलेबल जीपीयू पावर, मशीन लर्निंग (एमएल) प्रशिक्षण और पुनर्निर्माण कार्यों के लिए तेज डेटा एक्सेस, सरल और तेज एमएल विकास वातावरण, और क्षमता तक पहुंच प्रदान कर सकता है। तेज और कम-विलंबता छवि डेटा उपलब्धता के लिए ऑन-प्रिमाइसेस कैशिंग है।

समाधान अवलोकन

यह समाधान एक एमआरआई पुनर्निर्माण तकनीक का उपयोग करता है जिसे के रूप में जाना जाता है के-स्पेस इंटरपोलेशन के लिए मजबूत कृत्रिम-तंत्रिका-नेटवर्क (राकी)। यह दृष्टिकोण फायदेमंद है क्योंकि यह स्कैन-विशिष्ट है और तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए पूर्व डेटा की आवश्यकता नहीं है। इस तकनीक का दोष यह है कि इसे प्रभावी होने के लिए बहुत अधिक कम्प्यूटेशनल शक्ति की आवश्यकता होती है।

उल्लिखित एडब्ल्यूएस आर्किटेक्चर से पता चलता है कि कैसे क्लाउड-आधारित पुनर्निर्माण दृष्टिकोण आरएकेआई तंत्रिका नेटवर्क द्वारा आवश्यक कम्प्यूटेशनल-भारी कार्यों को प्रभावी ढंग से कर सकता है, लोड के अनुसार स्केलिंग और पुनर्निर्माण प्रक्रिया को तेज कर सकता है। यह उन तकनीकों के द्वार खोलता है जिन्हें वास्तविक रूप से परिसर में लागू नहीं किया जा सकता है।

डेटा परत

डेटा स्तर को निम्नलिखित सिद्धांतों के आधार पर तैयार किया गया है:

• तौर-तरीकों के साथ निर्बाध एकीकरण जो एनएएस डिवाइस पर नेटवर्क शेयर के माध्यम से एक संलग्न स्टोरेज ड्राइव में उत्पन्न डेटा को संग्रहीत करता है
• भंडारण स्थान की निरंतर मांग को बढ़ाने के लिए असीमित और सुरक्षित डेटा भंडारण क्षमताएं
• एमएल वर्कलोड के लिए फास्ट स्टोरेज उपलब्धता जैसे डीप न्यूरल ट्रेनिंग और न्यूरल इमेज रिकंस्ट्रक्शन
• कम लागत, मापनीय दृष्टिकोण का उपयोग करके ऐतिहासिक डेटा संग्रहीत करने की क्षमता
• कम लागत पर संग्रहीत कम बार-बार एक्सेस किए गए डेटा को एक साथ रखते हुए सबसे अधिक बार एक्सेस किए गए पुनर्निर्मित डेटा की उपलब्धता की अनुमति दें

निम्नलिखित चित्र इस वास्तुकला को दर्शाता है।

यह दृष्टिकोण निम्नलिखित सेवाओं का उपयोग करता है:

• एडब्ल्यूएस स्टोरेज गेटवे ऑन-प्रिमाइसेस तौर-तरीकों के साथ सहज एकीकरण के लिए जो फ़ाइल शेयर सिस्टम के माध्यम से सूचनाओं का आदान-प्रदान करता है। यह निम्न AWS क्लाउड स्टोरेज क्षमताओं तक पारदर्शी पहुंच की अनुमति देता है, जबकि यह बनाए रखता है कि कैसे डेटा का आदान-प्रदान होता है:
  • एमआर मोडैलिटी द्वारा उत्पन्न वॉल्यूम का फास्ट क्लाउड अपलोड।
  • स्टोरेज गेटवे द्वारा पेश किए गए स्थानीय कैशिंग के माध्यम से अक्सर उपयोग किए जाने वाले पुनर्निर्मित एमआर अध्ययनों के लिए कम विलंबता पहुंच।
• अमेज़न SageMaker असीमित और स्केलेबल क्लाउड स्टोरेज के लिए। Amazon S3 कम लागत वाला, ऐतिहासिक कच्चा MRI डेटा डीप आर्काइविंग के साथ भी प्रदान करता है अमेज़न S3 ग्लेशियर, और पुनर्निर्मित एमआरआई के लिए एक बुद्धिमान भंडारण स्तर Amazon S3 इंटेलिजेंट-टियरिंग.
• चमक के लिए अमेज़न FSx एमएल प्रशिक्षण और पुनर्निर्माण कार्यों के लिए उपयोग किए जाने वाले तेज और स्केलेबल मध्यवर्ती भंडारण के लिए।

निम्नलिखित आंकड़ा क्लाउड वातावरण के बीच डेटा विनिमय का वर्णन करने वाली एक संक्षिप्त वास्तुकला दिखाता है।

कैशिंग तंत्र के साथ स्टोरेज गेटवे का उपयोग करने से ऑन-प्रिमाइसेस एप्लिकेशन को स्थानीय कैश पर उपलब्ध डेटा को त्वरित रूप से एक्सेस करने की अनुमति मिलती है। यह तब होता है जब एक साथ क्लाउड पर स्केलेबल स्टोरेज स्पेस तक पहुंच प्रदान करता है।

इस दृष्टिकोण के साथ, तौर-तरीके अधिग्रहण की नौकरियों से कच्चा डेटा उत्पन्न कर सकते हैं, साथ ही कच्चे डेटा को स्टोरेज गेटवे से संचालित नेटवर्क शेयर में लिख सकते हैं।

यदि मोडेलिटी एक ही स्कैन से संबंधित कई फाइलें उत्पन्न करती है, तो एक एकल संग्रह (उदाहरण के लिए .tar) बनाने की सिफारिश की जाती है, और डेटा स्थानांतरण में तेजी लाने के लिए नेटवर्क शेयर में एकल स्थानांतरण निष्पादित करें।

डेटा डीकंप्रेसन और परिवर्तन परत

डेटा डीकंप्रेसन परत अपरिष्कृत डेटा प्राप्त करती है, स्वचालित रूप से डीकंप्रेसन करती है, और पुनर्निर्माण परत में प्रीप्रोसेस किए गए डेटा को सबमिट करने से पहले कच्चे डेटा में संभावित परिवर्तन लागू करती है।

अपनाई गई वास्तुकला को निम्न आकृति में रेखांकित किया गया है।

इस आर्किटेक्चर में, अपरिष्कृत MRI डेटा रॉ MRI S3 बकेट में लैंड करता है, जिससे में एक नई प्रविष्टि शुरू होती है अमेज़ॅन सरल कतार सेवा (अमेज़ॅन एसक्यूएस)।

An AWS लाम्बा फ़ंक्शन कच्चे MRI Amazon SQS कतार की गहराई को पुनः प्राप्त करता है, जो AWS क्लाउड पर अपलोड किए गए कच्चे MRI अधिग्रहण की मात्रा का प्रतिनिधित्व करता है। इसके साथ प्रयोग किया जाता है AWS फरगेट स्वचालित रूप से an . के आकार को संशोधित करने के लिए अमेज़ॅन इलास्टिक कंटेनर सेवा (अमेज़ॅन ईसीएस) क्लस्टर।

यह आर्किटेक्चर दृष्टिकोण कच्चे इनपुट बकेट में उतरने वाले कच्चे स्कैन की संख्या के अनुसार इसे स्वचालित रूप से ऊपर और नीचे स्केल करने देता है।

अपरिष्कृत MRI डेटा के डिकम्प्रेस्ड और प्रीप्रोसेस किए जाने के बाद, इसे एक और S3 बकेट में सहेजा जाता है ताकि इसे फिर से बनाया जा सके।

तंत्रिका मॉडल विकास परत

तंत्रिका मॉडल विकास परत में एक RAKI कार्यान्वयन होता है। यह कम-नमूना चुंबकीय अनुनाद कच्चे डेटा के तेजी से छवि पुनर्निर्माण की अनुमति देने के लिए एक तंत्रिका नेटवर्क मॉडल बनाता है।

निम्नलिखित आंकड़ा उस वास्तुकला को दर्शाता है जो तंत्रिका मॉडल के विकास और कंटेनर निर्माण का एहसास करता है।

इस वास्तुकला में, अमेज़न SageMaker RAKI तंत्रिका मॉडल को विकसित करने के लिए उपयोग किया जाता है, और साथ ही साथ कंटेनर बनाने के लिए जिसे बाद में MRI पुनर्निर्माण करने के लिए उपयोग किया जाता है।

फिर, बनाए गए कंटेनर को पूरी तरह से प्रबंधित . में शामिल किया जाता है अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर) रिपोजिटरी ताकि यह पुनर्निर्माण कार्यों को बंद कर सके।

तेजी से डेटा भंडारण की गारंटी . को अपनाने से होती है चमक के लिए अमेज़न FSx. यह सब-मिलीसेकंड लेटेंसी, सैकड़ों जीबीपीएस तक थ्रूपुट और लाखों आईओपीएस तक प्रदान करता है। यह दृष्टिकोण सेजमेकर को लागत प्रभावी, उच्च-प्रदर्शन और स्केलेबल स्टोरेज समाधान तक पहुंच प्रदान करता है।

एमआरआई पुनर्निर्माण परत

RAKI तंत्रिका नेटवर्क पर आधारित MRI पुनर्निर्माण को निम्नलिखित आरेख में दिखाए गए आर्किटेक्चर द्वारा नियंत्रित किया जाता है।

डिकंप्रेशन और प्रीप्रोसेसिंग परत में अपनाए गए एक ही वास्तुशिल्प पैटर्न के साथ, पुनर्निर्माण परत सभी पुनर्निर्माण अनुरोधों को रखने के लिए जिम्मेदार कतार की गहराई का विश्लेषण करके स्वचालित रूप से ऊपर और नीचे स्केल करती है। इस मामले में, GPU समर्थन को सक्षम करने के लिए, AWS बैच एमआरआई पुनर्निर्माण कार्य चलाने के लिए प्रयोग किया जाता है।

लस्टर के लिए Amazon FSx का उपयोग MRI अधिग्रहण में शामिल बड़ी मात्रा में डेटा का आदान-प्रदान करने के लिए किया जाता है। इसके अलावा, जब एक पुनर्निर्माण कार्य पूरा हो जाता है और पुनर्निर्मित एमआरआई डेटा लक्ष्य S3 बाल्टी में संग्रहीत किया जाता है, तो नियोजित आर्किटेक्चर स्वचालित रूप से स्टोरेज गेटवे के रीफ्रेश का अनुरोध करता है। यह पुनर्निर्मित डेटा को ऑन-प्रिमाइसेस सुविधा के लिए उपलब्ध कराता है।

समग्र वास्तुकला और परिणाम

समग्र वास्तुकला को निम्न आकृति में दिखाया गया है।

हमने एमआरआई पुनर्निर्माण कार्यों पर वर्णित वास्तुकला को लागू किया डेटासेट लगभग 2.4 जीबी आकार में।

Nvidia Tesla V210-SXM221-514GB से लैस एकल नोड पर कुल 100 GB कच्चे डेटा के लिए, 2 डेटासेट को प्रशिक्षित करने में लगभग 16 सेकंड का समय लगा।

RAKI नेटवर्क को प्रशिक्षित करने के बाद, पुनर्निर्माण, Nvidia Tesla V40-SXM100-2GB से लैस एकल नोड पर औसतन 16 सेकंड का समय लगा।

पुनर्निर्माण कार्य के लिए पूर्ववर्ती वास्तुकला के आवेदन से निम्नलिखित आंकड़े में परिणाम प्राप्त हो सकते हैं।

छवि से पता चलता है कि RAKI जैसी पुनर्निर्माण तकनीकों के माध्यम से अच्छे परिणाम प्राप्त किए जा सकते हैं। इसके अलावा, क्लाउड तकनीक को अपनाने से इन गणना-भारी दृष्टिकोणों को ऑन-प्रिमाइसेस समाधानों में पाई जाने वाली सीमाओं के बिना उपलब्ध कराया जा सकता है जहां भंडारण और कम्प्यूटेशनल संसाधन हमेशा सीमित होते हैं।

निष्कर्ष

अमेज़ॅन सेजमेकर, लस्टर के लिए अमेज़ॅन एफएसएक्स, एडब्ल्यूएस बैच, फारगेट और लैम्ब्डा जैसे टूल के साथ, हम एक ऐसा प्रबंधित वातावरण बना सकते हैं जो स्केलेबल, सुरक्षित, लागत प्रभावी और बड़े पैमाने पर छवि पुनर्निर्माण जैसे जटिल कार्यों को करने में सक्षम हो।

इस पोस्ट में, हमने RAKI के रूप में जानी जाने वाली कम्प्यूटेशनल रूप से गहन तकनीक का उपयोग करके कच्चे तौर-तरीके डेटा से छवि पुनर्निर्माण के लिए एक संभावित समाधान की खोज की: तेजी से छवि पुनर्निर्माण के लिए एक डेटाबेस मुक्त गहरी सीखने की तकनीक।

एडब्ल्यूएस स्वास्थ्य देखभाल में नवाचार को कैसे तेज कर रहा है, इस बारे में और जानने के लिए, यहां जाएं स्वास्थ्य के लिए एडब्ल्यूएस.

संदर्भ

---

लेखक के बारे में

बेनेडेटो कैरोलो यूरोप, मध्य पूर्व और अफ्रीका में अमेज़न वेब सेवाओं में चिकित्सा इमेजिंग और स्वास्थ्य देखभाल के लिए वरिष्ठ समाधान वास्तुकार हैं। उनका काम चिकित्सा इमेजिंग और स्वास्थ्य सेवा ग्राहकों को प्रौद्योगिकी का लाभ उठाकर व्यावसायिक समस्याओं को हल करने में मदद करने पर केंद्रित है। बेनेडेटो को प्रौद्योगिकी और चिकित्सा इमेजिंग का 15 से अधिक वर्षों का अनुभव है और उन्होंने कैनन मेडिकल रिसर्च और वाइटल इमेज जैसी कंपनियों के लिए काम किया है। बेनेडेटो ने इटली के पलेर्मो विश्वविद्यालय से सॉफ्टवेयर इंजीनियरिंग में अपना सुम्मा कम लॉड एमएससी प्राप्त किया।