שחזור הדמיה רפואית מבוסס ענן באמצעות רשתות עצביות עמוקות

טכניקות הדמיה רפואיות כמו טומוגרפיה ממוחשבת (CT), הדמיית תהודה מגנטית (MRI), הדמיית רנטגן רפואית, הדמיית אולטרסאונד ואחרות נמצאות בשימוש נפוץ על ידי רופאים מסיבות שונות. כמה דוגמאות כוללות זיהוי שינויים במראה של איברים, רקמות וכלי דם, וזיהוי חריגות כגון גידולים וסוגים שונים של פתולוגיות.

לפני שרופאים יכולים להשתמש בנתונים מאותן טכניקות, יש להפוך את הנתונים מצורתם הגולמית לטופס שניתן להציג כתמונה על מסך מחשב.

תהליך זה ידוע בשם שחזור תמונה, והוא ממלא תפקיד מכריע בזרימת עבודה של הדמיה רפואית - זה השלב שיוצר תמונות אבחנתיות שיכולות להיבדק על ידי רופאים.

בפוסט זה, אנו דנים במקרה שימוש של שחזור MRI, אך ניתן ליישם את המושגים האדריכליים על סוגים אחרים של שחזור תמונה.

ההתקדמות בתחום שחזור התמונה הובילה ליישום מוצלח של טכניקות מבוססות בינה מלאכותית בתוך הדמיית תהודה מגנטית (MR). טכניקות אלו מכוונות להגביר את הדיוק של השחזור ובמקרה של שיטת MR, ולהקטין את הזמן הנדרש לסריקה מלאה.

בתוך MR, הופעלו בהצלחה יישומים המשתמשים בבינה מלאכותית לעבודה עם רכישות שלא נכללו בדגימה, השגת הפחתה של כמעט פי עשרה בזמני הסריקה.

זמני ההמתנה לבדיקות כמו MRI וסריקות CT גדלו במהירות בשנתיים האחרונות, מה שהוביל ל זמני המתנה עד 3 חודשים. כדי להבטיח טיפול טוב בחולה, הצורך ההולך וגובר בזמינות מהירה של תמונות משוחזרות יחד עם הצורך בהפחתת עלויות תפעול הניעו את הצורך בפתרון המסוגל לשנות את קנה המידה בהתאם לצרכי האחסון והחישוב.

בנוסף לצרכים החישוביים, צמיחת הנתונים ראתה עלייה מתמדת בשנים האחרונות. לדוגמה, הסתכלות על מערכי הנתונים שזמינים על ידי מחשוב תמונה רפואית והתערבות בעזרת מחשב (MICCAI), ניתן להסיק שהגידול השנתי הוא 21% עבור MRI, 24% עבור CT ו-31% עבור MRI תפקודי (fMRI). (למידע נוסף, עיין ב גידול מערכי נתונים בחקר ניתוח תמונה רפואי.)

בפוסט זה, אנו מראים לכם ארכיטקטורת פתרונות הנותנת מענה לאתגרים הללו. פתרון זה יכול לאפשר למרכזי מחקר, למוסדות מדיאליים ולספקי שיטות גישה ליכולות אחסון בלתי מוגבלות, כוח GPU ניתן להרחבה, גישה מהירה לנתונים עבור משימות הדרכה ושחזור של למידת מכונה (ML), סביבות פיתוח ML פשוטות ומהירות, ויכולת יש אחסון במטמון מקומי לזמינות נתוני תמונה מהירה ובזמן אחזור נמוך.

סקירת פתרונות

פתרון זה משתמש בטכניקת שחזור MRI הידועה בשם רשתות מלאכותיות-עצביות חזקות לאינטרפולציה של k-space (RAKI). גישה זו היא יתרון מכיוון שהיא ספציפית לסריקה ואינה דורשת נתונים קודמים כדי לאמן את הרשת העצבית. החיסרון בטכניקה זו הוא שהיא דורשת כוח חישוב רב כדי להיות יעילה.

ארכיטקטורת ה-AWS המתוארת מראה כיצד גישת שחזור מבוססת ענן יכולה לבצע ביעילות משימות כבדות חישוב כמו זו הנדרשת על ידי הרשת העצבית RAKI, לשנות קנה מידה בהתאם לעומס ולהאיץ את תהליך השחזור. זה פותח את הדלת לטכניקות שלא ניתן ליישם באופן מציאותי במקום.

שכבת נתונים

שכבת הנתונים נבנתה סביב העקרונות הבאים:

• אינטגרציה חלקה עם אופנים המאחסנים נתונים שנוצרו בכונן אחסון מחובר באמצעות שיתוף רשת במכשיר NAS
• יכולות אחסון נתונים בלתי מוגבלות ומאובטחות להתאמה לדרישה המתמשכת של שטח אחסון
• זמינות אחסון מהירה לעומסי עבודה של ML כגון אימון עצבי עמוק ושחזור תמונה עצבית
• היכולת לאחסן נתונים היסטוריים באמצעות גישה בעלות נמוכה וניתנת להרחבה
• אפשר זמינות לנתונים המשוחזרים הנגישים אליהם בתדירות הגבוהה ביותר, תוך שמירה על נתונים שנגישים בתדירות נמוכה יותר בארכיון בעלות נמוכה יותר

התרשים הבא ממחיש ארכיטקטורה זו.

גישה זו משתמשת בשירותים הבאים:

• שער אחסון AWS לאינטגרציה חלקה עם המודאליות המקומית המחליפה מידע באמצעות מערכת שיתוף קבצים. זה מאפשר גישה שקופה ליכולות האחסון הבאות בענן של AWS תוך שמירה על האופן שבו האופציה מחליפה נתונים:
  • העלאה מהירה בענן של הנפחים שנוצרו על ידי שיטת MR.
  • גישה עם אחזור נמוך למחקרי MR משוחזרים בשימוש תכוף באמצעות מטמון מקומי המוצע על ידי Storage Gateway.
• אמזון SageMaker לאחסון ענן בלתי מוגבל וניתן להרחבה. אמזון S3 מספקת גם נתוני MRI גולמיים היסטוריים בעלות נמוכה בארכיון עמוק קרחון S3 של אמזון, ושכבת אחסון חכמה עבור ה-MRI המשוחזר עם Amazon S3 Intelligent Tiering.
• אמזון FSx עבור ברק לאחסון ביניים מהיר וניתן להרחבה המשמש למשימות אימון ושחזור ML.

האיור הבא מציג ארכיטקטורה תמציתית המתארת ​​את חילופי הנתונים בין סביבות הענן.

שימוש ב-Storage Gateway עם מנגנון האחסון במטמון מאפשר ליישומים מקומיים לגשת במהירות לנתונים הזמינים במטמון המקומי. זה מתרחש תוך מתן גישה לשטח אחסון ניתן להרחבה בענן.

עם גישה זו, שיטות יכולות להפיק נתונים גולמיים ממשימות רכישה, כמו גם לכתוב את הנתונים הגולמיים לתוך נתח רשת המטופל מ-Storage Gateway.

אם האופציה מייצרת מספר קבצים השייכים לאותה סריקה, מומלץ ליצור ארכיון בודד (.tar למשל), ולבצע העברה בודדת לשיתוף הרשת כדי להאיץ את העברת הנתונים.

שכבת פירוק נתונים וטרנספורמציה

שכבת ביטול הדחיסה של הנתונים מקבלת את הנתונים הגולמיים, מבצעת אוטומטית ביטול דחיסה ומחילה טרנספורמציות פוטנציאליות על הנתונים הגולמיים לפני שליחת הנתונים המעובדים מראש לשכבת השחזור.

הארכיטקטורה המאומצת מתוארת באיור הבא.

בארכיטקטורה זו, נתוני MRI גולמיים נוחתים בדלי MRI S3 הגולמי, ובכך מפעילים כניסה חדשה ב- שירות תורים פשוט של אמזון (אמזון SQS).

An AWS למבדה הפונקציה מאחזרת את עומק תור ה-MRI הגולמי של Amazon SQS, המייצג את כמות רכישות ה-MRI הגולמיות שהועלו לענן AWS. זה משמש עם AWS פרגייט כדי לווסת אוטומטית את הגודל של an שירות מיכלים אלסטי של אמזון (Amazon ECS) אשכול.

גישת ארכיטקטורה זו מאפשרת לה להגדיל ולמטה באופן אוטומטי בהתאם למספר הסריקות הגולמיות שנחתו לתוך דלי הקלט הגולמי.

לאחר פירוק נתוני ה-MRI הגולמיים ועיבודם מראש, הם נשמרים בדלי S3 אחר כך שניתן לשחזר אותם.

שכבת פיתוח מודלים עצביים

שכבת פיתוח המודל העצבי מורכבת מיישום RAKI. זה יוצר מודל של רשת עצבית כדי לאפשר שחזור תמונה מהיר של נתוני תהודה מגנטית גולמית שנדגמו בתת-דגימה.

האיור הבא מציג את הארכיטקטורה שמממשת את פיתוח המודל העצבי ויצירת מיכל.

בארכיטקטורה הזו, אמזון SageMaker משמש לפיתוח המודל העצבי של RAKI, ובמקביל ליצור את המיכל המשמש מאוחר יותר לביצוע שחזור ה-MRI.

לאחר מכן, המיכל שנוצר נכלל בקובץ המנוהל במלואו מרשם מיכל אלסטי של אמזון (Amazon ECR) מאגר כך שיוכל לאחר מכן לסובב משימות שחזור.

אחסון נתונים מהיר מובטח על ידי אימוץ אמזון FSx עבור ברק. הוא מספק זמן השהייה של תת אלפי שניות, עד מאות GBps של תפוקה ועד מיליוני IOPS. גישה זו מעניקה ל-SageMaker גישה לפתרון אחסון חסכוני, בעל ביצועים גבוהים וניתן להרחבה.

שכבת שחזור MRI

שחזור ה-MRI המבוסס על הרשת העצבית RAKI מטופל על ידי הארכיטקטורה המוצגת בתרשים הבא.

עם אותה דפוס ארכיטקטוני שאומץ בשכבת הדקומפרסיה והעיבוד המקדים, שכבת השחזור מגדילה ומטה אוטומטית על ידי ניתוח עומק התור האחראי על החזקת כל בקשות השחזור. במקרה זה, כדי לאפשר תמיכה ב-GPU, אצווה AWS משמש להפעלת עבודות שחזור ה-MRI.

Amazon FSx for Luster משמש להחלפת כמות הנתונים הגדולה הכרוכה ברכישת MRI. יתר על כן, כאשר עבודת שחזור הושלמה ונתוני ה-MRI המשוחזרים מאוחסנים בדלי S3 היעד, הארכיטקטורה המופעלת מבקשת באופן אוטומטי רענון של שער האחסון. זה הופך את הנתונים המשוחזרים לזמינים למתקן המקומי.

ארכיטקטורה כללית ותוצאות

הארכיטקטורה הכוללת מוצגת באיור הבא.

יישמנו את הארכיטקטורה המתוארת על משימות שחזור MRI עם מערכי נתונים בגודל של כ-2.4 GB.

נדרשו כ-210 שניות לאמן 221 מערכי נתונים, עבור סך של 514 ג'יגה-בייט של נתונים גולמיים בצומת יחיד המצויד ב-Nvidia Tesla V100-SXM2-16GB.

השחזור, לאחר הכשרה של רשת RAKI, ארך בממוצע 40 שניות בצומת בודד המצויד ב-Nvidia Tesla V100-SXM2-16GB.

היישום של הארכיטקטורה הקודמת לעבודת שחזור יכול להניב את התוצאות באיור הבא.

התמונה מראה שניתן להשיג תוצאות טובות באמצעות טכניקות שחזור כגון RAKI. יתרה מכך, אימוץ טכנולוגיית ענן יכול להפוך את הגישות הכבדות בחישוב הללו לזמינות ללא המגבלות הקיימות בפתרונות מקומיים שבהם משאבי האחסון והמחשוב מוגבלים תמיד.

מסקנות

עם כלים כגון Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate ולמבדה, אנו יכולים ליצור סביבה מנוהלת ניתנת להרחבה, מאובטחת, חסכונית ומסוגלת לבצע משימות מורכבות כגון שחזור תמונה בקנה מידה.

בפוסט זה, בדקנו פתרון אפשרי לשחזור תמונה מנתוני אופנה גולמיים תוך שימוש בטכניקה אינטנסיבית מבחינה חישובית המכונה RAKI: טכניקת למידה עמוקה ללא מסד נתונים לשחזור תמונה מהיר.

למידע נוסף על האופן שבו AWS מאיץ חדשנות בתחום הבריאות, בקר AWS לבריאות.

הפניות

---

על הסופר

בנדטו קרולו הוא ארכיטקט הפתרונות הבכיר להדמיה רפואית ובריאות בשירותי האינטרנט של אמזון באירופה, המזרח התיכון ואפריקה. עבודתו מתמקדת בסיוע ללקוחות הדמיה רפואית ושירותי בריאות לפתור בעיות עסקיות על ידי מינוף טכנולוגיה. לבנדטו יש למעלה מ-15 שנות ניסיון בטכנולוגיה והדמיה רפואית ועבד עבור חברות כמו Canon Medical Research ו-Vital Images. בנדטו קיבל בהצטיינות תואר שני בהנדסת תוכנה מאוניברסיטת פאלרמו - איטליה.