Felhőalapú orvosi képalkotó rekonstrukció mély neurális hálózatok segítségével

Az orvosok különféle okokból gyakran alkalmaznak olyan orvosi képalkotó technikákat, mint a számítógépes tomográfia (CT), a mágneses rezonancia képalkotás (MRI), az orvosi röntgenképalkotás, az ultrahang képalkotás és mások. Néhány példa a szervek, szövetek és erek megjelenésében bekövetkezett változások észlelése, valamint az olyan rendellenességek kimutatása, mint a daganatok és különféle más típusú patológiák.

Mielőtt az orvosok felhasználhatnák az ezekből a technikákból származó adatokat, az adatokat a natív nyers formájukból át kell alakítani olyan formává, amely képként megjeleníthető a számítógép képernyőjén.

Ez a folyamat ismert képrekonstrukció, és döntő szerepet játszik az orvosi képalkotó munkafolyamatban – ez az a lépés, amely diagnosztikai képeket hoz létre, amelyeket az orvosok áttekinthetnek.

Ebben a bejegyzésben az MRI-rekonstrukció egy használati esetét tárgyaljuk, de az építészeti koncepciók más típusú képrekonstrukciókra is alkalmazhatók.

A képrekonstrukció terén elért előrelépések a mesterséges intelligencia alapú technikák sikeres alkalmazásához vezettek a mágneses rezonancia (MR) képalkotásban. Ezek a technikák célja a rekonstrukció pontosságának növelése és MR modalitás esetén, valamint a teljes vizsgálathoz szükséges idő csökkentése.

Az MR-en belül sikeresen alkalmaztak olyan alkalmazásokat, amelyek mesterséges intelligenciát használnak az alulmintavételezett beszerzések kezelésére, közel tízszeres csökkentése a szkennelési időkben.

Az elmúlt néhány évben gyorsan megnőtt a várakozási idő az olyan vizsgálatokra, mint az MRI-k és a CT-vizsgálatok, ami a várakozási idő akár 3 hónap. A jó betegellátás érdekében a rekonstruált képek gyors elérhetősége iránti növekvő igény, valamint az üzemeltetési költségek csökkentésének igénye olyan megoldást eredményezett, amely képes a tárolási és számítási igények szerint skálázható megoldásra.

A számítási igények mellett az adatok növekedése is folyamatosan nőtt az elmúlt néhány évben. Például, ha megnézzük azokat az adatkészleteket, amelyeket a Medical Image Computing and Computer-Assisted Intervention (MICCAI)Összegezhető, hogy az éves növekedés 21% az MRI, 24% a CT és 31% a funkcionális MRI (fMRI) esetében. (További információért lásd Adatkészlet növekedése az orvosi képelemzés kutatásában.)

Ebben a bejegyzésben egy olyan megoldás-architektúrát mutatunk be, amely megfelel ezeknek a kihívásoknak. Ez a megoldás lehetővé teheti a kutatóközpontok, a mediális intézmények és a modalitás-szállítók számára, hogy korlátlan tárolási lehetőségekhez, skálázható GPU-teljesítményhez, gyors adathozzáféréshez a gépi tanulási (ML) képzési és rekonstrukciós feladatokhoz, egyszerű és gyors ML-fejlesztői környezetekhez, valamint helyszíni gyorsítótárral rendelkezik a képadatok gyors és alacsony késleltetésű elérhetősége érdekében.

Megoldás áttekintése

Ez a megoldás egy MRI rekonstrukciós technikát használ, amely az úgynevezett Robusztus mesterséges neurális hálózatok a k-tér interpolációjához (RAKI). Ez a megközelítés előnyös, mert szkennelés-specifikus, és nem igényel előzetes adatokat a neurális hálózat betanításához. Ennek a technikának az a hátránya, hogy nagy számítási teljesítményre van szükség ahhoz, hogy hatékony legyen.

A felvázolt AWS architektúra bemutatja, hogy egy felhő alapú rekonstrukciós megközelítés hogyan képes hatékonyan végrehajtani a számításigényes feladatokat, mint amilyen a RAKI neurális hálózat által megkövetelt, a terhelésnek megfelelően skálázva és felgyorsítva a rekonstrukciós folyamatot. Ez megnyitja az ajtót olyan technikák előtt, amelyeket nem lehet reálisan megvalósítani a helyszínen.

Adatréteg

Az adatréteget a következő elvek mentén építették fel:

• Zökkenőmentes integráció olyan módozatokkal, amelyek a NAS-eszköz hálózati megosztásán keresztül egy csatlakoztatott tárolómeghajtón generált adatokat tárolnak
• Korlátlan és biztonságos adattárolási képességek a folyamatos tárhelyigényhez skálázható
• Gyorsan elérhető tárhely az ML munkaterhelésekhez, például a mély neurális képzéshez és a neurális kép rekonstrukciójához
• A korábbi adatok archiválása alacsony költségű, méretezhető megközelítéssel
• Lehetővé teszi a leggyakrabban elért rekonstruált adatok elérhetőségét, miközben a ritkábban elért adatokat alacsonyabb költséggel archiválja

A következő diagram ezt az architektúrát szemlélteti.

Ez a megközelítés a következő szolgáltatásokat használja:

• AWS Storage Gateway a zökkenőmentes integráció érdekében a helyszíni móddal, amely fájlmegosztó rendszeren keresztül cserél információkat. Ez átlátható hozzáférést tesz lehetővé a következő AWS felhőalapú tárolási lehetőségekhez, miközben fenntartja a modalitás adatcseréjét:
  • Az MR modalitás által generált kötetek gyors felhőfeltöltése.
  • Alacsony késleltetésű hozzáférés a gyakran használt rekonstruált MR-tanulmányokhoz a Storage Gateway által kínált helyi gyorsítótáron keresztül.
• Amazon SageMaker a korlátlan és skálázható felhőalapú tároláshoz. Az Amazon S3 emellett alacsony költségű, történelmi nyers MRI adatok mélyarchiválását is biztosítja Amazon S3 gleccser, és egy intelligens tárolóréteg a rekonstruált MRI-hez Amazon S3 Intelligens rétegezés.
• Amazon FSx Lusterhez az ML képzési és rekonstrukciós feladatokhoz használt gyors és méretezhető közbenső tároláshoz.

A következő ábra egy tömör architektúrát mutat be, amely leírja a felhőkörnyezetek közötti adatcserét.

A Storage Gateway használata a gyorsítótárazási mechanizmussal lehetővé teszi a helyszíni alkalmazások számára, hogy gyorsan hozzáférjenek a helyi gyorsítótárban elérhető adatokhoz. Ez úgy történik, hogy egyidejűleg hozzáférést biztosít a felhőben lévő méretezhető tárhelyhez.

Ezzel a megközelítéssel a modalitások nyers adatokat generálhatnak beszerzési feladatokból, valamint a nyers adatokat a Storage Gateway-ből kezelt hálózati megosztásba írhatják.

Ha a modalitás több fájlt hoz létre, amelyek ugyanahhoz a vizsgálathoz tartoznak, ajánlatos egyetlen archívumot létrehozni (például .tar), és egyetlen átvitelt végrehajtani a hálózati megosztásra az adatátvitel felgyorsítása érdekében.

Adatkitömörítési és transzformációs réteg

Az adatkicsomagolási réteg fogadja a nyers adatokat, automatikusan végrehajtja a kitömörítést, és potenciális átalakításokat alkalmaz a nyers adatokon, mielőtt az előfeldolgozott adatokat elküldi a rekonstrukciós rétegnek.

Az elfogadott architektúra a következő ábrán látható.

Ebben az architektúrában a nyers MRI adatok a nyers MRI S3 tárolóban landolnak, ezáltal új bejegyzést indítanak el Amazon Simple Queue Service (Amazon SQS).

An AWS Lambda A funkció lekéri a nyers MRI Amazon SQS sormélységet, amely az AWS felhőbe feltöltött nyers MRI gyűjtések mennyiségét jelenti. Ezt használják AWS Fargate hogy automatikusan módosítsa an méretét Amazon Elastic Container Service (Amazon ECS) klaszter.

Ez az architektúra-megközelítés lehetővé teszi, hogy automatikusan felfelé és lefelé skálázzon a nyers bemeneti tárolóba érkezett nyers vizsgálatok számának megfelelően.

A nyers MRI adatok kicsomagolása és előfeldolgozása után egy másik S3 tárolóba kerül mentésre, hogy rekonstruálható legyen.

Neurális modell fejlesztési réteg

A neurális modell fejlesztői rétege egy RAKI implementációból áll. Ez létrehoz egy neurális hálózati modellt, amely lehetővé teszi az alulmintavételezett mágneses rezonancia nyers adatok gyors képrekonstrukcióját.

A következő ábra azt az architektúrát mutatja, amely megvalósítja a neurális modell fejlesztését és a tároló létrehozását.

Ebben az építészetben Amazon SageMaker A RAKI neurális modell kifejlesztésére szolgál, és ezzel egyidejűleg a konténer létrehozására, amelyet később az MRI rekonstrukció elvégzésére használnak.

Ezután a létrehozott tároló bekerül a teljesen felügyelt tárolóba Amazon Elastic Container Registry (Amazon ECR) adattárat, hogy azután le tudja hajtani a rekonstrukciós feladatokat.

A gyors adattárolást az elfogadása garantálja Amazon FSx Lusterhez. Ezredmásodperc alatti késleltetést, akár több száz GBps átviteli sebességet és akár több millió IOPS-t biztosít. Ez a megközelítés költséghatékony, nagy teljesítményű és méretezhető tárolási megoldáshoz biztosít hozzáférést a SageMaker számára.

MRI rekonstrukciós réteg

A RAKI neurális hálózaton alapuló MRI rekonstrukciót az alábbi diagramon látható architektúra kezeli.

A dekompressziós és előfeldolgozási rétegben alkalmazott ugyanazzal az építészeti mintával a rekonstrukciós réteg automatikusan felfelé és lefelé skálázódik az összes rekonstrukciós kérés tárolásáért felelős sor mélységének elemzésével. Ebben az esetben a GPU támogatás engedélyezéséhez AWS köteg az MRI rekonstrukciós feladatok futtatására szolgál.

Az Amazon FSx for Luster az MRI gyűjtéssel kapcsolatos nagy mennyiségű adat cseréjére szolgál. Továbbá, amikor egy rekonstrukciós feladat befejeződik, és a rekonstruált MRI-adatokat a cél S3 tárolóban tárolják, az alkalmazott architektúra automatikusan kéri a tárolási átjáró frissítését. Ez a rekonstruált adatokat elérhetővé teszi a helyszíni létesítmény számára.

Általános architektúra és eredmények

Az általános architektúra a következő ábrán látható.

A leírt architektúrát az MRI rekonstrukciós feladatokra alkalmaztuk adatkészletek körülbelül 2.4 GB méretű.

Körülbelül 210 másodpercig tartott 221 adatkészlet betanítása, ami összesen 514 GB nyers adatot jelent egyetlen Nvidia Tesla V100-SXM2-16 GB-os csomóponton.

A rekonstrukció a RAKI hálózat betanítása után átlagosan 40 másodpercet vett igénybe egyetlen Nvidia Tesla V100-SXM2-16GB-os csomóponton.

Az előző architektúra rekonstrukciós munkára történő alkalmazása a következő ábrán látható eredményeket hozhatja.

A képen látható, hogy jó eredményeket lehet elérni olyan rekonstrukciós technikákkal, mint a RAKI. Ezenkívül a felhőtechnológia alkalmazása ezeket a számításigényes megközelítéseket a helyszíni megoldásokban található korlátozások nélkül is elérhetővé teheti, ahol a tárolási és számítási erőforrások mindig korlátozottak.

Következtetések

Az olyan eszközökkel, mint az Amazon SageMaker, az Amazon FSx for Lustre, az AWS Batch, a Fargate és a Lambda, olyan felügyelt környezetet hozhatunk létre, amely méretezhető, biztonságos, költséghatékony, és képes olyan összetett feladatok elvégzésére, mint például a méretarányos képrekonstrukció.

Ebben a bejegyzésben egy lehetséges megoldást tártunk fel a nyers modalitási adatokból történő képrekonstrukcióra a RAKI néven ismert, számításigényes technikával: egy adatbázismentes mélytanulási technika a gyors képrekonstrukcióhoz.

Ha többet szeretne megtudni arról, hogy az AWS hogyan gyorsítja fel az innovációt az egészségügyben, látogasson el ide AWS for Health.

Referenciák

---

A szerzőről

Benedetto Carollo az Amazon Web Services európai, közel-keleti és afrikai orvosi képalkotás és egészségügyi megoldások vezető építésze. Munkája arra összpontosít, hogy segítse az orvosi képalkotó és egészségügyi ügyfeleket üzleti problémák megoldásában a technológia felhasználásával. Benedetto több mint 15 éves tapasztalattal rendelkezik a technológia és az orvosi képalkotás területén, és olyan cégeknek dolgozott, mint a Canon Medical Research és a Vital Images. Benedetto a Palermói Egyetemen (Olaszország) szerezte meg summa cum laude MSc diplomáját szoftvermérnöki szakon.