コンピュータ断層撮影 (CT)、磁気共鳴画像 (MRI)、医療用 X 線画像、超音波画像などの医療画像技術は、さまざまな理由で医師によって一般的に使用されています。 いくつかの例には、臓器、組織、および血管の外観の変化の検出、および腫瘍やその他のさまざまな種類の病状などの異常の検出が含まれます。
医師がこれらの技術から得たデータを使用する前に、データを元の生の形式からコンピューター画面に画像として表示できる形式に変換する必要があります。
このプロセスは、 画像再構成であり、医用画像ワークフローで重要な役割を果たします。これは、医師が確認できる診断画像を作成するステップです。
この投稿では、MRI 再構成の使用例について説明しますが、アーキテクチャの概念は他の種類の画像再構成にも適用できます。
画像再構成の分野の進歩により、磁気共鳴 (MR) イメージングにおける AI ベースの技術の適用が成功しました。 これらの技術は、再構成の精度を高め、MR モダリティの場合は、フル スキャンに必要な時間を短縮することを目的としています。
MR 内では、AI を使用してアンダーサンプリングされた取得を処理するアプリケーションがうまく採用されています。 スキャン時間を約 XNUMX 分の XNUMX に短縮.
MRI や CT スキャンなどの検査の待ち時間は、ここ数年で急速に増加しています。 3ヶ月もの待ち時間. 適切な患者ケアを確保するために、再構成された画像を迅速に利用できるようにする必要性と、運用コストを削減する必要性が高まっているため、ストレージと計算のニーズに応じてスケーリングできるソリューションの必要性が高まっています。
計算の必要性に加えて、データの増加はここ数年で着実に増加しています。 たとえば、 医用画像コンピューティングとコンピュータ支援介入 (MICCAI)、年間成長率は MRI で 21%、CT で 24%、機能的 MRI (fMRI) で 31% であることがわかります。 (詳細については、 医用画像解析研究におけるデータセットの増加.)
この投稿では、これらの課題に対処するソリューション アーキテクチャを紹介します。 このソリューションにより、研究センター、医療機関、モダリティ ベンダーは、無制限のストレージ機能、スケーラブルな GPU パワー、機械学習 (ML) トレーニングおよび再構築タスクのための高速データ アクセス、シンプルで高速な ML 開発環境、およびオンプレミスのキャッシュを使用して、高速で低レイテンシーの画像データを利用できるようにします。
ソリューションの概要
このソリューションは、として知られている MRI 再構成技術を使用します。 k空間補間のための堅牢な人工ニューラルネットワーク （ラキ）。 このアプローチは、スキャン固有であり、ニューラル ネットワークのトレーニングに事前のデータを必要としないため、有利です。 この手法の欠点は、有効にするには多くの計算能力が必要なことです。
概説されている AWS アーキテクチャは、クラウドベースの再構築アプローチが、負荷に応じてスケーリングし、再構築プロセスを加速する、RAKI ニューラル ネットワークで必要とされるような計算負荷の高いタスクを効果的に実行する方法を示しています。 これにより、オンプレミスでは現実的に実装できない手法への扉が開かれます。
データ層
データ層は、次の原則に基づいて設計されています。
- NAS デバイス上のネットワーク共有を介して接続されたストレージ ドライブに生成されたデータを保存するモダリティとのシームレスな統合
- ストレージ スペースの継続的な需要に合わせて拡張できる、無制限で安全なデータ ストレージ機能
- ディープ ニューラル トレーニングやニューラル画像再構成などの ML ワークロード用の高速ストレージ可用性
- 低コストでスケーラブルなアプローチを使用して履歴データをアーカイブする機能
- 最も頻繁にアクセスされる再構築されたデータへの可用性を許可すると同時に、アクセス頻度の低いデータを低コストでアーカイブします。
次の図は、このアーキテクチャを示しています。
このアプローチでは、次のサービスを使用します。
- AWS ストレージ ゲートウェイ ファイル共有システムを介して情報を交換するオンプレミスのモダリティとシームレスに統合します。 これにより、モダリティがデータを交換する方法を維持しながら、次の AWS クラウド ストレージ機能への透過的なアクセスが可能になります。
- MR モダリティによって生成されたボリュームの高速クラウド アップロード。
- Storage Gateway によって提供されるローカル キャッシングを介して、頻繁に使用される再構築された MR 研究への低レイテンシ アクセス。
- アマゾンセージメーカー 無制限でスケーラブルなクラウド ストレージ。 Amazon S3 は、低コストで過去の生の MRI データのディープ アーカイブも提供します。 アマゾンS3氷河、および再構成された MRI 用のインテリジェントなストレージ層 Amazon S3 インテリジェント階層化.
- 光沢のためのAmazonFSx ML トレーニングおよび再構築タスクに使用される高速でスケーラブルな中間ストレージ用。
次の図は、クラウド環境間のデータ交換を説明する簡潔なアーキテクチャを示しています。
Storage Gateway をキャッシング メカニズムとともに使用すると、オンプレミス アプリケーションは、ローカル キャッシュで利用可能なデータにすばやくアクセスできます。 これは、クラウド上のスケーラブルなストレージ スペースへのアクセスを同時に提供しながら発生します。
このアプローチにより、モダリティは取得ジョブから生データを生成し、Storage Gateway から処理されるネットワーク共有に生データを書き込むことができます。
モダリティが同じスキャンに属する複数のファイルを生成する場合は、単一のアーカイブ (.tar など) を作成し、ネットワーク共有への単一の転送を実行してデータ転送を高速化することをお勧めします。
データ解凍および変換レイヤー
データ解凍レイヤーは、生データを受け取り、自動的に解凍を実行し、前処理されたデータを再構成レイヤーに送信する前に、生データに潜在的な変換を適用します。
採用されたアーキテクチャの概要を次の図に示します。
このアーキテクチャでは、未加工の MRI データが未加工の MRI S3 バケットに配置されるため、新しいエントリがトリガーされます。 Amazon シンプル キュー サービス （Amazon SQS）。
An AWSラムダ 関数は、未加工の MRI Amazon SQS キューの深さを取得します。これは、AWS クラウドにアップロードされた未加工の MRI 取得の量を表します。 これは AWSファーゲート のサイズを自動的に調整する Amazon エラスティック コンテナ サービス (Amazon ECS) クラスター。
このアーキテクチャ アプローチにより、未加工の入力バケットに取り込まれる未加工のスキャンの数に応じて、自動的にスケールアップおよびスケールダウンできます。
生の MRI データが解凍され、前処理された後、再構築できるように別の S3 バケットに保存されます。
ニューラルモデル開発レイヤー
ニューラル モデル開発レイヤーは、RAKI 実装で構成されます。 これにより、ニューラル ネットワーク モデルが作成され、アンダーサンプリングされた磁気共鳴生データの高速画像再構成が可能になります。
次の図は、ニューラル モデルの開発とコンテナーの作成を実現するアーキテクチャを示しています。
このアーキテクチャでは、 アマゾンセージメーカー RAKI ニューラル モデルを開発すると同時に、後で MRI 再構成を実行するために使用されるコンテナーを作成するために使用されます。
その後、作成されたコンテナはフルマネージドに含まれます Amazon エラスティック コンテナ レジストリ (Amazon ECR) リポジトリを使用して、再構築タスクをスピンオフできるようにします。
の採用により、高速データストレージが保証されます。 光沢のためのAmazonFSx. ミリ秒未満のレイテンシ、最大数百 GBps のスループット、最大数百万の IOPS を提供します。 このアプローチにより、SageMaker は費用対効果が高く、高性能でスケーラブルなストレージ ソリューションにアクセスできます。
MRI再構成層
RAKI ニューラル ネットワークに基づく MRI 再構成は、次の図に示すアーキテクチャによって処理されます。
解凍層と前処理層で採用された同じアーキテクチャ パターンにより、再構成層は、すべての再構成要求を保持するキューの深さを分析することによって、自動的にスケールアップおよびスケールダウンします。 この場合、GPU サポートを有効にするには、 AWSバッチ MRI 再構成ジョブの実行に使用されます。
Amazon FSx for Lustre は、MRI 取得に関連する大量のデータを交換するために使用されます。 さらに、再構築ジョブが完了し、再構築された MRI データがターゲット S3 バケットに保存されると、採用されているアーキテクチャがストレージ ゲートウェイの更新を自動的に要求します。 これにより、再構築されたデータがオンプレミスの施設で利用できるようになります。
全体的なアーキテクチャと結果
全体的なアーキテクチャを次の図に示します。
説明したアーキテクチャを MRI 再構成タスクに適用しました。 データセット サイズは約2.4GB。
Nvidia Tesla V210-SXM221-514GB を搭載した 100 つのノードで合計 2 GB の生データを処理するために、16 個のデータセットをトレーニングするのに約 XNUMX 秒かかりました。
RAKI ネットワークがトレーニングされた後の再構築には、Nvidia Tesla V40-SXM100-2GB を搭載した単一ノードで平均 16 秒かかりました。
前のアーキテクチャを再構築ジョブに適用すると、次の図のような結果が得られます。
この画像は、RAKI などの再構成手法によって良好な結果が得られることを示しています。 さらに、クラウド テクノロジを採用することで、ストレージと計算リソースが常に制限されているオンプレミス ソリューションに見られる制限なしに、これらの計算負荷の高いアプローチを利用できるようになります。
結論
Amazon SageMaker、Amazon FSx for Lustre、AWS Batch、Fargate、Lambda などのツールを使用して、スケーラブルで安全、費用対効果が高く、イメージ再構築などの複雑なタスクを大規模に実行できるマネージド環境を作成できます。
この投稿では、RAKI と呼ばれる計算集約型の手法を使用して生のモダリティ データから画像を再構築するための可能な解決策を探りました。これは高速な画像再構築のためのデータベースを使用しない深層学習手法です。
AWS がヘルスケアのイノベーションをどのように加速しているかについて詳しくは、次の Web サイトをご覧ください。 健康のための AWS.
参考文献
著者,
ベネデット・カローロ は、ヨーロッパ、中東、およびアフリカのアマゾン ウェブ サービスで医用画像およびヘルスケアのシニア ソリューション アーキテクトを務めています。 彼の仕事は、テクノロジーを活用して医用画像およびヘルスケアの顧客がビジネス上の問題を解決するのを支援することに重点を置いています。 Benedetto は、テクノロジーと医用画像処理で 15 年以上の経験を持ち、Canon Medical Research や Vital Images などの企業で働いてきました。 Benedetto は、イタリアのパレルモ大学でソフトウェア工学の修士号を最優等で取得しています。
