Ricostruzione di immagini mediche basate su cloud utilizzando reti neurali profonde

Ripubblicato da Platone

Seguaci: 0

Le tecniche di imaging medico come la tomografia computerizzata (TC), la risonanza magnetica (MRI), la radiografia medica, l'imaging a ultrasuoni e altre sono comunemente utilizzate dai medici per vari motivi. Alcuni esempi includono il rilevamento di cambiamenti nell'aspetto di organi, tessuti e vasi e il rilevamento di anomalie come tumori e vari altri tipi di patologie.

Prima che i medici possano utilizzare i dati di tali tecniche, i dati devono essere trasformati dalla loro forma grezza nativa a una forma che può essere visualizzata come immagine sullo schermo di un computer.

Questo processo è noto come ricostruzione dell'immaginee svolge un ruolo cruciale in un flusso di lavoro di imaging medico: è il passaggio che crea immagini diagnostiche che possono essere quindi riviste dai medici.

In questo post, discutiamo un caso d'uso della ricostruzione MRI, ma i concetti architettonici possono essere applicati ad altri tipi di ricostruzione dell'immagine.

I progressi nel campo della ricostruzione delle immagini hanno portato all'applicazione di successo delle tecniche basate sull'intelligenza artificiale nell'imaging a risonanza magnetica (MR). Queste tecniche hanno lo scopo di aumentare l'accuratezza della ricostruzione e nel caso della modalità MR, e di ridurre il tempo necessario per una scansione completa.

In MR, sono state impiegate con successo applicazioni che utilizzano l'IA per lavorare con acquisizioni sottocampionate, ottenendo una riduzione di quasi dieci volte dei tempi di scansione.

I tempi di attesa per test come la risonanza magnetica e le scansioni TC sono aumentati rapidamente negli ultimi due anni, portando a tempi di attesa fino a 3 mesi. Per garantire una buona cura del paziente, la crescente necessità di una rapida disponibilità delle immagini ricostruite insieme alla necessità di ridurre i costi operativi ha determinato la necessità di una soluzione in grado di scalare in base alle esigenze di archiviazione e di calcolo.

Oltre alle esigenze di calcolo, la crescita dei dati ha visto un aumento costante negli ultimi anni. Ad esempio, guardando i set di dati messi a disposizione dal Informatica medica e intervento assistito da computer (MICCAI), è possibile dedurre che la crescita annuale è del 21% per la risonanza magnetica, del 24% per la TC e del 31% per la risonanza magnetica funzionale (fMRI). (Per ulteriori informazioni, fare riferimento a Crescita del set di dati nella ricerca sull'analisi delle immagini mediche.)

In questo post, ti mostriamo un'architettura di soluzione che affronta queste sfide. Questa soluzione può consentire a centri di ricerca, istituzioni mediali e fornitori di modalità di avere accesso a capacità di archiviazione illimitate, potenza GPU scalabile, accesso rapido ai dati per attività di formazione e ricostruzione di machine learning (ML), ambienti di sviluppo ML semplici e veloci e la capacità di dispone di una cache in locale per una disponibilità dei dati di immagine rapida e a bassa latenza.

Panoramica della soluzione

Questa soluzione utilizza una tecnica di ricostruzione MRI nota come Reti neurali artificiali robuste per interpolazione k-space (RAKI). Questo approccio è vantaggioso perché è specifico della scansione e non richiede dati preliminari per addestrare la rete neurale. Lo svantaggio di questa tecnica è che richiede molta potenza di calcolo per essere efficace.

L'architettura AWS delineata mostra come un approccio di ricostruzione basato su cloud può eseguire efficacemente attività pesanti come quella richiesta dalla rete neurale RAKI, scalando in base al carico e accelerando il processo di ricostruzione. Questo apre la porta a tecniche che non possono essere realisticamente implementate in loco.

Livello dati

Il livello dati è stato progettato attorno ai seguenti principi:

Perfetta integrazione con modalità che archiviano i dati generati in un'unità di archiviazione collegata tramite una condivisione di rete su un dispositivo NAS
Funzionalità di archiviazione dei dati illimitate e sicure per adattarsi alla domanda continua di spazio di archiviazione
Rapida disponibilità di archiviazione per carichi di lavoro ML come training neurale profondo e ricostruzione di immagini neurali
La capacità di archiviare i dati storici utilizzando un approccio scalabile ea basso costo
Consente la disponibilità dei dati ricostruiti a cui si accede con maggiore frequenza mantenendo contemporaneamente archiviati i dati a cui si accede meno frequentemente a un costo inferiore

Il diagramma seguente illustra questa architettura.

Questo approccio utilizza i seguenti servizi:

Gateway di archiviazione AWS per una perfetta integrazione con la modalità on-premises che scambia informazioni tramite un sistema di condivisione file. Ciò consente l'accesso trasparente alle seguenti funzionalità di storage nel cloud AWS, pur mantenendo il modo in cui la modalità scambia i dati:
- Caricamento veloce in cloud dei volumi generati dalla modalità MR.
- Accesso a bassa latenza agli studi MR ricostruiti utilizzati di frequente tramite la memorizzazione nella cache locale offerta da Storage Gateway.
Amazon Sage Maker per uno storage cloud illimitato e scalabile. Amazon S3 fornisce anche un'archiviazione approfondita dei dati RMI storici grezzi a basso costo Ghiacciaio Amazon S3e un livello di archiviazione intelligente per la risonanza magnetica ricostruita con Tiering intelligente di Amazon S3.
Amazon FSx per Lustre per uno storage intermedio veloce e scalabile utilizzato per attività di addestramento e ricostruzione ML.

La figura seguente mostra un'architettura sintetica che descrive lo scambio di dati tra gli ambienti cloud.

L'uso di Storage Gateway con il meccanismo di memorizzazione nella cache consente alle applicazioni locali di accedere rapidamente ai dati disponibili nella cache locale. Ciò si verifica fornendo contemporaneamente l'accesso allo spazio di archiviazione scalabile sul cloud.

Con questo approccio, le modalità possono generare dati grezzi dai lavori di acquisizione, nonché scrivere i dati grezzi in una condivisione di rete gestita da Storage Gateway.

Se la modalità genera più file che appartengono alla stessa scansione, si consiglia di creare un unico archivio (ad esempio .tar) ed eseguire un unico trasferimento alla condivisione di rete per accelerare il trasferimento dei dati.

Strato di decompressione e trasformazione dei dati

Il livello di decompressione dei dati riceve i dati grezzi, esegue automaticamente la decompressione e applica potenziali trasformazioni ai dati grezzi prima di inviare i dati preelaborati al livello di ricostruzione.

L'architettura adottata è illustrata nella figura seguente.

In questa architettura, i dati MRI grezzi atterrano nel bucket MRI S3 grezzo, attivando così un nuovo ingresso Servizio Amazon Simple Queue (Amazon SQS).

An AWS Lambda La funzione recupera la profondità della coda Amazon SQS MRI grezza, che rappresenta la quantità di acquisizioni MRI grezze caricate sul cloud AWS. Questo è usato con AWS Fargate per modulare automaticamente la dimensione di un Servizio di container elastici Amazon cluster (Amazon ECS).

Questo approccio all'architettura consente di aumentare e ridurre automaticamente la scalabilità in base al numero di scansioni non elaborate inviate al bucket di input non elaborato.

Dopo che i dati grezzi della risonanza magnetica sono stati decompressi e preelaborati, vengono salvati in un altro bucket S3 in modo che possano essere ricostruiti.

Livello di sviluppo del modello neurale

Il livello di sviluppo del modello neurale consiste in un'implementazione RAKI. Ciò crea un modello di rete neurale per consentire la rapida ricostruzione dell'immagine di dati grezzi di risonanza magnetica sottocampionati.

La figura seguente mostra l'architettura che realizza lo sviluppo del modello neurale e la creazione del contenitore.

In questa architettura, Amazon Sage Maker viene utilizzato per sviluppare il modello neurale RAKI e contemporaneamente per creare il contenitore che verrà successivamente utilizzato per eseguire la ricostruzione MRI.

Quindi, il contenitore creato viene incluso nel file completamente gestito Registro dei contenitori Amazon Elastic (Amazon ECR) in modo che possa quindi eseguire lo spin off delle attività di ricostruzione.

La veloce memorizzazione dei dati è garantita dall'adozione di Amazon FSx per Lustre. Fornisce latenze inferiori al millisecondo, fino a centinaia di GBps di throughput e fino a milioni di IOPS. Questo approccio offre a SageMaker l'accesso a una soluzione di archiviazione scalabile, conveniente e ad alte prestazioni.

Strato di ricostruzione MRI

La ricostruzione MRI basata sulla rete neurale RAKI è gestita dall'architettura mostrata nel diagramma seguente.

Con lo stesso schema architettonico adottato nel livello di decompressione e pre-elaborazione, il livello di ricostruzione scala automaticamente su e giù analizzando la profondità della coda responsabile di contenere tutte le richieste di ricostruzione. In questo caso, per abilitare il supporto GPU, Batch AWS viene utilizzato per eseguire i lavori di ricostruzione MRI.

Amazon FSx for Lustre viene utilizzato per scambiare la grande quantità di dati coinvolti nell'acquisizione della risonanza magnetica. Inoltre, quando un lavoro di ricostruzione è completato e i dati MRI ricostruiti sono archiviati nel bucket S3 di destinazione, l'architettura utilizzata richiede automaticamente un aggiornamento del gateway di archiviazione. Ciò rende i dati ricostruiti disponibili alla struttura locale.

Architettura generale e risultati

L'architettura complessiva è mostrata nella figura seguente.

Abbiamo applicato l'architettura descritta su attività di ricostruzione MRI con dataset circa 2.4 GB di dimensione.

Ci sono voluti circa 210 secondi per addestrare 221 set di dati, per un totale di 514 GB di dati grezzi su un singolo nodo dotato di Nvidia Tesla V100-SXM2-16GB.

La ricostruzione, dopo che la rete RAKI è stata addestrata, ha richiesto in media 40 secondi su un singolo nodo equipaggiato con una Nvidia Tesla V100-SXM2-16GB.

L'applicazione dell'architettura precedente ad un lavoro di ricostruzione può dare i risultati nella figura seguente.

L'immagine mostra che buoni risultati possono essere ottenuti tramite tecniche di ricostruzione come RAKI. Inoltre, l'adozione della tecnologia cloud può rendere disponibili questi approcci pesanti per il calcolo senza i limiti che si trovano nelle soluzioni on-premise in cui lo storage e le risorse di calcolo sono sempre limitate.

Conclusioni

Con strumenti come Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate e Lambda, possiamo creare un ambiente gestito scalabile, sicuro, conveniente e in grado di eseguire attività complesse come la ricostruzione di immagini su larga scala.

In questo post, abbiamo esplorato una possibile soluzione per la ricostruzione dell'immagine da dati in modalità grezza utilizzando una tecnica ad alta intensità di calcolo nota come RAKI: una tecnica di deep learning senza database per la ricostruzione rapida dell'immagine.

Per saperne di più su come AWS sta accelerando l'innovazione nel settore sanitario, visita AWS per la salute.

Riferimenti

Circa l'autore

Benedetto Carlo è Senior Solution Architect per l'imaging medico e l'assistenza sanitaria presso Amazon Web Services in Europa, Medio Oriente e Africa. Il suo lavoro si concentra sull'aiutare i clienti dell'imaging medico e sanitario a risolvere i problemi aziendali sfruttando la tecnologia. Benedetto ha oltre 15 anni di esperienza nella tecnologia e nell'imaging medico e ha lavorato per aziende come Canon Medical Research e Vital Images. Benedetto ha conseguito il Master summa cum laude in Ingegneria del Software presso l'Università di Palermo – Italia.