Rekonstruksi pencitraan medis berbasis cloud menggunakan jaringan saraf dalam

Teknik pencitraan medis seperti computed tomography (CT), magnetic resonance imaging (MRI), pencitraan x-ray medis, pencitraan ultrasound, dan lainnya biasanya digunakan oleh dokter karena berbagai alasan. Beberapa contoh termasuk mendeteksi perubahan penampilan organ, jaringan, dan pembuluh darah, dan mendeteksi kelainan seperti tumor dan berbagai jenis patologi lainnya.

Sebelum dokter dapat menggunakan data dari teknik tersebut, data perlu diubah dari bentuk mentah aslinya menjadi bentuk yang dapat ditampilkan sebagai gambar di layar komputer.

Proses ini dikenal sebagai rekonstruksi gambar, dan ini memainkan peran penting dalam alur kerja pencitraan medis—ini adalah langkah yang membuat gambar diagnostik yang kemudian dapat ditinjau oleh dokter.

Dalam posting ini, kami membahas kasus penggunaan rekonstruksi MRI, tetapi konsep arsitektur dapat diterapkan pada jenis rekonstruksi gambar lainnya.

Kemajuan di bidang rekonstruksi gambar telah menyebabkan keberhasilan penerapan teknik berbasis AI dalam pencitraan resonansi magnetik (MR). Teknik-teknik ini ditujukan untuk meningkatkan akurasi rekonstruksi dan dalam kasus modalitas MR, dan mengurangi waktu yang diperlukan untuk pemindaian penuh.

Dalam MR, aplikasi yang menggunakan AI untuk bekerja dengan akuisisi yang kurang sampel telah berhasil digunakan, mencapai hampir sepuluh kali pengurangan waktu pemindaian.

Waktu tunggu untuk tes seperti MRI dan CT scan telah meningkat pesat dalam beberapa tahun terakhir, yang mengarah ke waktu tunggu selama 3 bulan. Untuk memastikan perawatan pasien yang baik, meningkatnya kebutuhan akan ketersediaan gambar yang direkonstruksi secara cepat bersama dengan kebutuhan untuk mengurangi biaya operasional telah mendorong kebutuhan akan solusi yang mampu menskalakan sesuai dengan kebutuhan penyimpanan dan komputasi.

Selain kebutuhan komputasi, pertumbuhan data telah mengalami peningkatan yang stabil dalam beberapa tahun terakhir. Misalnya, melihat kumpulan data yang disediakan oleh Komputasi Gambar Medis dan Intervensi Berbantuan Komputer (MICCAI), mungkin untuk mengumpulkan bahwa pertumbuhan tahunan adalah 21% untuk MRI, 24% untuk CT, dan 31% untuk MRI fungsional (fMRI). (Untuk informasi lebih lanjut, lihat Pertumbuhan Dataset dalam Penelitian Analisis Citra Medis.)

Dalam posting ini, kami menunjukkan kepada Anda arsitektur solusi yang mengatasi tantangan ini. Solusi ini dapat memungkinkan pusat penelitian, institusi medial, dan vendor modalitas untuk memiliki akses ke kemampuan penyimpanan tak terbatas, kekuatan GPU yang dapat diskalakan, akses data yang cepat untuk tugas pelatihan dan rekonstruksi pembelajaran mesin (ML), lingkungan pengembangan ML yang sederhana dan cepat, dan kemampuan untuk memiliki caching di tempat untuk ketersediaan data gambar yang cepat dan latensi rendah.

Ikhtisar solusi

Solusi ini menggunakan teknik rekonstruksi MRI yang dikenal sebagai Jaringan saraf tiruan yang kuat untuk Interpolasi k-space (RAKI). Pendekatan ini menguntungkan karena spesifik untuk pemindaian dan tidak memerlukan data sebelumnya untuk melatih jaringan saraf. Kelemahan dari teknik ini adalah membutuhkan banyak daya komputasi untuk menjadi efektif.

Arsitektur AWS yang diuraikan menunjukkan bagaimana pendekatan rekonstruksi berbasis cloud dapat secara efektif melakukan tugas komputasi berat seperti yang diperlukan oleh jaringan saraf RAKI, penskalaan sesuai dengan beban dan mempercepat proses rekonstruksi. Ini membuka pintu untuk teknik yang tidak dapat diterapkan secara realistis di tempat.

Lapisan data

Lapisan data telah dirancang berdasarkan prinsip-prinsip berikut:

• Integrasi yang mulus dengan modalitas yang menyimpan data yang dihasilkan ke dalam drive penyimpanan yang terpasang melalui jaringan berbagi pada perangkat NAS
• Kemampuan penyimpanan data tanpa batas dan aman untuk disesuaikan dengan permintaan ruang penyimpanan yang berkelanjutan
• Ketersediaan penyimpanan cepat untuk beban kerja ML seperti pelatihan saraf dalam dan rekonstruksi citra saraf
• Kemampuan untuk mengarsipkan data historis menggunakan pendekatan berbiaya rendah dan skalabel
• Mengizinkan ketersediaan untuk data yang direkonstruksi yang paling sering diakses sekaligus menjaga arsip data yang jarang diakses dengan biaya lebih rendah

Diagram berikut menggambarkan arsitektur ini.

Pendekatan ini menggunakan layanan berikut:

• Gerbang Penyimpanan AWS untuk integrasi tanpa batas dengan modalitas lokal yang bertukar informasi melalui sistem berbagi file. Ini memungkinkan akses transparan ke kemampuan penyimpanan AWS Cloud berikut sambil mempertahankan cara modalitas bertukar data:
  • Unggah cloud cepat dari volume yang dihasilkan oleh modalitas MR.
  • Akses latensi rendah ke studi MR yang direkonstruksi yang sering digunakan melalui caching lokal yang ditawarkan oleh Storage Gateway.
• Amazon SageMaker untuk penyimpanan cloud tanpa batas dan skalabel. Amazon S3 juga menyediakan pengarsipan data MRI mentah historis berbiaya rendah dengan Gletser Amazon S3, dan tingkat penyimpanan cerdas untuk MRI yang direkonstruksi dengan Tingkat Cerdas Amazon S3.
• Amazon FSx untuk Lustre untuk penyimpanan perantara yang cepat dan skalabel yang digunakan untuk tugas pelatihan dan rekonstruksi ML.

Gambar berikut menunjukkan arsitektur ringkas yang menggambarkan pertukaran data antara lingkungan cloud.

Menggunakan Storage Gateway dengan mekanisme caching memungkinkan aplikasi lokal mengakses data yang tersedia di cache lokal dengan cepat. Ini terjadi sekaligus memberikan akses ke ruang penyimpanan yang dapat diskalakan di cloud.

Dengan pendekatan ini, modalitas dapat menghasilkan data mentah dari pekerjaan akuisisi, serta menulis data mentah ke dalam jaringan berbagi yang ditangani dari Storage Gateway.

Jika modalitas menghasilkan beberapa file yang termasuk dalam pemindaian yang sama, disarankan untuk membuat satu arsip (.tar misalnya), dan melakukan satu transfer ke jaringan berbagi untuk mempercepat transfer data.

Lapisan dekompresi dan transformasi data

Lapisan dekompresi data menerima data mentah, secara otomatis melakukan dekompresi, dan menerapkan transformasi potensial ke data mentah sebelum mengirimkan data praproses ke lapisan rekonstruksi.

Arsitektur yang diadopsi diuraikan dalam gambar berikut.

Dalam arsitektur ini, data MRI mentah mendarat di bucket S3 MRI mentah, sehingga memicu entri baru di Layanan Antrian Sederhana Amazon (Amazon SQ).

An AWS Lambda fungsi mengambil kedalaman antrean MRI Amazon SQS mentah, yang mewakili jumlah akuisisi MRI mentah yang diunggah ke AWS Cloud. Ini digunakan dengan Fargate AWS untuk secara otomatis memodulasi ukuran Layanan Kontainer Amazon Elastic (Amazon ECS).

Pendekatan arsitektur ini memungkinkannya naik dan turun secara otomatis sesuai dengan jumlah pemindaian mentah yang dimasukkan ke dalam keranjang input mentah.

Setelah data MRI mentah didekompresi dan diproses sebelumnya, data tersebut disimpan ke dalam bucket S3 lain sehingga dapat direkonstruksi.

Lapisan pengembangan model saraf

Lapisan pengembangan model saraf terdiri dari implementasi RAKI. Ini menciptakan model jaringan saraf untuk memungkinkan rekonstruksi gambar cepat dari data mentah resonansi magnetik yang kurang sampel.

Gambar berikut menunjukkan arsitektur yang mewujudkan pengembangan model saraf dan pembuatan wadah.

Dalam arsitektur ini, Amazon SageMaker digunakan untuk mengembangkan model saraf RAKI, dan sekaligus untuk membuat wadah yang nantinya digunakan untuk melakukan rekonstruksi MRI.

Kemudian, wadah yang dibuat termasuk dalam sepenuhnya terkelola Registry Kontainer Elastis Amazon (Amazon ECR) repositori sehingga kemudian dapat melakukan tugas rekonstruksi.

Penyimpanan data yang cepat dijamin oleh adopsi Amazon FSx untuk Lustre. Ini memberikan latensi sub-milidetik, throughput hingga ratusan GBps, dan hingga jutaan IOPS. Pendekatan ini memberi SageMaker akses ke solusi penyimpanan yang hemat biaya, berkinerja tinggi, dan skalabel.

Lapisan rekonstruksi MRI

Rekonstruksi MRI berdasarkan jaringan saraf RAKI ditangani oleh arsitektur yang ditunjukkan pada diagram berikut.

Dengan pola arsitektur yang sama yang diadopsi dalam lapisan dekompresi dan prapemrosesan, lapisan rekonstruksi secara otomatis naik dan turun dengan menganalisis kedalaman antrian yang bertanggung jawab untuk menampung semua permintaan rekonstruksi. Dalam hal ini, untuk mengaktifkan dukungan GPU, Batch AWS digunakan untuk menjalankan pekerjaan rekonstruksi MRI.

Amazon FSx for Lustre digunakan untuk menukar sejumlah besar data yang terlibat dalam akuisisi MRI. Selanjutnya, ketika pekerjaan rekonstruksi selesai dan data MRI yang direkonstruksi disimpan dalam bucket S3 target, arsitektur yang digunakan secara otomatis meminta penyegaran gateway penyimpanan. Ini membuat data yang direkonstruksi tersedia untuk fasilitas lokal.

Keseluruhan arsitektur dan hasil

Arsitektur keseluruhan ditunjukkan pada gambar berikut.

Kami menerapkan arsitektur yang dijelaskan pada tugas rekonstruksi MRI dengan kumpulan data berukuran sekitar 2.4 GB.

Butuh sekitar 210 detik untuk melatih 221 kumpulan data, dengan total 514 GB data mentah pada satu node yang dilengkapi dengan Nvidia Tesla V100-SXM2-16GB.

Rekonstruksi, setelah jaringan RAKI dilatih, memakan waktu rata-rata 40 detik pada satu node yang dilengkapi dengan Nvidia Tesla V100-SXM2-16GB.

Penerapan arsitektur sebelumnya untuk pekerjaan rekonstruksi dapat menghasilkan hasil pada gambar berikut.

Gambar menunjukkan bahwa hasil yang baik dapat diperoleh melalui teknik rekonstruksi seperti RAKI. Selain itu, mengadopsi teknologi cloud dapat membuat pendekatan komputasi berat ini tersedia tanpa batasan yang ditemukan dalam solusi lokal di mana penyimpanan dan sumber daya komputasi selalu terbatas.

Kesimpulan

Dengan alat seperti Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate, dan Lambda, kami dapat menciptakan lingkungan terkelola yang dapat diskalakan, aman, hemat biaya, dan mampu melakukan tugas kompleks seperti rekonstruksi gambar dalam skala besar.

Dalam posting ini, kami mengeksplorasi solusi yang mungkin untuk rekonstruksi gambar dari data modalitas mentah menggunakan teknik intensif komputasi yang dikenal sebagai RAKI: teknik pembelajaran mendalam gratis database untuk rekonstruksi gambar cepat.

Untuk mempelajari lebih lanjut tentang bagaimana AWS mempercepat inovasi dalam perawatan kesehatan, kunjungi AWS untuk Kesehatan.

Referensi

---

Tentang Penulis

Benedetto Carollo adalah Arsitek Solusi Senior untuk pencitraan medis dan perawatan kesehatan di Amazon Web Services di Eropa, Timur Tengah, dan Afrika. Pekerjaannya berfokus pada membantu pencitraan medis dan pelanggan perawatan kesehatan memecahkan masalah bisnis dengan memanfaatkan teknologi. Benedetto memiliki lebih dari 15 tahun pengalaman teknologi dan pencitraan medis dan telah bekerja untuk perusahaan seperti Canon Medical Research dan Vital Images. Benedetto menerima summa cum laude MSc dalam Rekayasa Perangkat Lunak dari Universitas Palermo – Italia.