컴퓨터 단층 촬영(CT), 자기공명영상(MRI), 의료용 X선 영상, 초음파 영상 등과 같은 의료 영상 기술은 다양한 이유로 의사가 일반적으로 사용합니다. 일부 예에는 장기, 조직 및 혈관의 외관 변화를 감지하고 종양 및 기타 다양한 유형의 병리와 같은 이상을 감지하는 것이 포함됩니다.
의사가 이러한 기술의 데이터를 사용하려면 데이터가 원시 형식에서 컴퓨터 화면에 이미지로 표시될 수 있는 형식으로 변환되어야 합니다.
이 프로세스는 다음과 같이 알려져 있습니다. 이미지 재구성, 의료 이미징 워크플로에서 중요한 역할을 합니다. 진단 이미지를 생성하여 의사가 검토할 수 있도록 하는 단계입니다.
이 게시물에서는 MRI 재구성의 사용 사례에 대해 논의하지만 아키텍처 개념은 다른 유형의 이미지 재구성에도 적용될 수 있습니다.
이미지 재구성 분야의 발전으로 자기 공명(MR) 이미징 내에서 AI 기반 기술이 성공적으로 적용되었습니다. 이러한 기술은 MR 양식의 경우 재구성의 정확도를 높이고 전체 스캔에 필요한 시간을 줄이는 것을 목표로 합니다.
MR 내에서 AI를 사용하여 샘플링되지 않은 수집 작업을 성공적으로 수행했습니다. 스캔 시간을 거의 XNUMX배 단축.
MRI 및 CT 스캔과 같은 검사를 위한 대기 시간은 지난 몇 년 동안 급격히 증가하여 최대 3개월의 대기 시간. 우수한 환자 치료를 보장하기 위해 재구성된 이미지의 빠른 가용성에 대한 요구가 증가하고 운영 비용을 절감해야 하는 필요성이 증가함에 따라 스토리지 및 계산 요구에 따라 확장할 수 있는 솔루션이 필요하게 되었습니다.
컴퓨팅 요구 사항 외에도 데이터 증가는 지난 몇 년 동안 꾸준히 증가했습니다. 예를 들어, 의료 영상 컴퓨팅 및 컴퓨터 지원 중재(MICCAI), 연간 성장률이 MRI의 경우 21%, CT의 경우 24%, fMRI(기능적 MRI)의 경우 31%라는 것을 모을 수 있습니다. (자세한 내용은 의료 이미지 분석 연구의 데이터 세트 증가.)
이 게시물에서는 이러한 문제를 해결하는 솔루션 아키텍처를 보여줍니다. 이 솔루션을 통해 연구 센터, 의료 기관 및 양식 공급업체는 무제한 스토리지 기능, 확장 가능한 GPU 성능, 기계 학습(ML) 교육 및 재구성 작업을 위한 빠른 데이터 액세스, 간단하고 빠른 ML 개발 환경, 빠르고 짧은 지연 시간의 이미지 데이터 가용성을 위해 온프레미스 캐싱이 있습니다.
솔루션 개요
이 솔루션은 다음으로 알려진 MRI 재구성 기술을 사용합니다. k-공간 보간을 위한 강력한 인공 신경망 (라키). 이 접근 방식은 스캔에 따라 다르며 신경망을 훈련하는 데 사전 데이터가 필요하지 않기 때문에 유리합니다. 이 기술의 단점은 효과적이려면 많은 계산 능력이 필요하다는 것입니다.
설명된 AWS 아키텍처는 클라우드 기반 재구성 접근 방식이 RAKI 신경망에 필요한 작업과 같은 계산량이 많은 작업을 효과적으로 수행하여 부하에 따라 확장하고 재구성 프로세스를 가속화하는 방법을 보여줍니다. 이는 현장에서 현실적으로 구현할 수 없는 기술의 가능성을 열어줍니다.
데이터 레이어
데이터 계층은 다음 원칙을 기반으로 설계되었습니다.
- NAS 장치의 네트워크 공유를 통해 연결된 스토리지 드라이브에 생성된 데이터를 저장하는 방식과의 원활한 통합
- 스토리지 공간의 지속적인 수요에 맞게 확장할 수 있는 무한하고 안전한 데이터 스토리지 기능
- 심층 신경 교육 및 신경 이미지 재구성과 같은 ML 워크로드를 위한 빠른 스토리지 가용성
- 저비용의 확장 가능한 접근 방식을 사용하여 기록 데이터를 보관하는 기능
- 가장 자주 액세스하는 재구성된 데이터에 대한 가용성을 허용하는 동시에 액세스 빈도가 낮은 데이터를 저렴한 비용으로 보관 유지
다음 다이어그램은이 아키텍처를 보여줍니다.
이 접근 방식은 다음 서비스를 사용합니다.
- AWS 스토리지 게이트웨이 파일 공유 시스템을 통해 정보를 교환하는 온프레미스 방식과 원활하게 통합됩니다. 이를 통해 모달리티가 데이터를 교환하는 방식을 유지하면서 다음 AWS 클라우드 스토리지 기능에 투명하게 액세스할 수 있습니다.
- MR 양식으로 생성된 볼륨의 빠른 클라우드 업로드.
- Storage Gateway에서 제공하는 로컬 캐싱을 통해 자주 사용되는 재구성된 MR 연구에 대한 짧은 대기 시간 액세스.
- 아마존 세이지 메이커 무제한 및 확장 가능한 클라우드 스토리지. Amazon S3는 또한 저비용의 과거 원시 MRI 데이터 딥 아카이빙을 제공합니다. 아마존 S3 빙하및 재구성된 MRI를 위한 지능형 스토리지 계층 Amazon S3 지능형 계층화.
- Luster 용 Amazon FSx ML 교육 및 재구성 작업에 사용되는 빠르고 확장 가능한 중간 스토리지용.
다음 그림은 클라우드 환경 간의 데이터 교환을 설명하는 간결한 아키텍처를 보여줍니다.
캐싱 메커니즘과 함께 Storage Gateway를 사용하면 온프레미스 애플리케이션이 로컬 캐시에서 사용 가능한 데이터에 빠르게 액세스할 수 있습니다. 이는 클라우드에서 확장 가능한 스토리지 공간에 대한 액세스를 동시에 제공하면서 발생합니다.
이 접근 방식을 통해 양식은 수집 작업에서 원시 데이터를 생성할 수 있을 뿐만 아니라 원시 데이터를 Storage Gateway에서 처리되는 네트워크 공유에 쓸 수 있습니다.
모달리티가 동일한 스캔에 속하는 여러 파일을 생성하는 경우 단일 아카이브(예: .tar)를 만들고 네트워크 공유로 단일 전송을 수행하여 데이터 전송을 가속화하는 것이 좋습니다.
데이터 압축 해제 및 변환 계층
데이터 압축 해제 계층은 원시 데이터를 수신하고 자동으로 압축 해제를 수행하고 전처리된 데이터를 재구성 계층에 제출하기 전에 원시 데이터에 잠재적인 변환을 적용합니다.
채택된 아키텍처는 다음 그림에 요약되어 있습니다.
이 아키텍처에서 원시 MRI 데이터는 원시 MRI S3 버킷에 저장되어 새로운 항목을 트리거합니다. 아마존 단순 대기열 서비스 (아마존 SQS).
An AWS 람다 함수는 AWS 클라우드에 업로드된 원시 MRI 획득의 양을 나타내는 원시 MRI Amazon SQS 대기열 깊이를 검색합니다. 이것은 다음과 함께 사용됩니다. AWS 파게이트 크기를 자동으로 조절하려면 Amazon 탄력적 컨테이너 서비스 (Amazon ECS) 클러스터.
이 아키텍처 접근 방식을 사용하면 원시 입력 버킷에 포함된 원시 스캔 수에 따라 자동으로 확장 및 축소할 수 있습니다.
원시 MRI 데이터는 압축 해제 및 사전 처리된 후 재구성할 수 있도록 다른 S3 버킷에 저장됩니다.
신경 모델 개발 계층
신경 모델 개발 계층은 RAKI 구현으로 구성됩니다. 이것은 언더샘플링된 자기 공명 원시 데이터의 빠른 이미지 재구성을 허용하는 신경망 모델을 생성합니다.
다음 그림은 신경 모델 개발 및 컨테이너 생성을 구현하는 아키텍처를 보여줍니다.
이 건축물에서는 아마존 세이지 메이커 RAKI 신경 모델을 개발하는 동시에 나중에 MRI 재구성을 수행하는 데 사용되는 컨테이너를 만드는 데 사용됩니다.
그런 다음 생성된 컨테이너는 완전 관리형에 포함됩니다. Amazon Elastic Container Registry (Amazon ECR) 리포지토리를 사용하여 재구성 작업을 분리할 수 있습니다.
의 채택으로 빠른 데이터 저장이 보장됩니다. Luster 용 Amazon FSx. 밀리초 미만의 대기 시간, 최대 수백 GBps의 처리량, 최대 수백만 IOPS를 제공합니다. 이 접근 방식을 통해 SageMaker는 비용 효율적이고 확장 가능한 고성능 스토리지 솔루션에 액세스할 수 있습니다.
MRI 재건층
RAKI 신경망을 기반으로 한 MRI 재구성은 다음 다이어그램에 표시된 아키텍처로 처리됩니다.
압축 해제 및 전처리 계층에 채택된 동일한 아키텍처 패턴으로 재구성 계층은 모든 재구성 요청을 보유하는 대기열의 깊이를 분석하여 자동으로 확장 및 축소됩니다. 이 경우 GPU 지원을 활성화하려면 AWS 배치 MRI 재구성 작업을 실행하는 데 사용됩니다.
Amazon FSx for Lustre는 MRI 획득과 관련된 대용량 데이터를 교환하는 데 사용됩니다. 또한 재구성 작업이 완료되고 재구성된 MRI 데이터가 대상 S3 버킷에 저장되면 채택된 아키텍처가 자동으로 스토리지 게이트웨이의 새로 고침을 요청합니다. 이렇게 하면 재구성된 데이터를 온프레미스 시설에서 사용할 수 있습니다.
전체 아키텍처 및 결과
전체 아키텍처는 다음 그림에 나와 있습니다.
설명된 아키텍처를 MRI 재구성 작업에 적용했습니다. 데이터 세트 크기는 약 2.4GB입니다.
Nvidia Tesla V210-SXM221-514GB가 장착된 단일 노드에서 총 100GB의 원시 데이터에 대해 2개의 데이터 세트를 훈련하는 데 약 16초가 걸렸습니다.
RAKI 네트워크가 훈련된 후 재구성에는 Nvidia Tesla V40-SXM100-2GB가 장착된 단일 노드에서 평균 16초가 소요되었습니다.
이전 아키텍처를 재구성 작업에 적용하면 다음 그림과 같은 결과를 얻을 수 있습니다.
이미지는 RAKI와 같은 재구성 기술을 통해 좋은 결과를 얻을 수 있음을 보여줍니다. 또한 클라우드 기술을 채택하면 스토리지 및 계산 리소스가 항상 제한된 온프레미스 솔루션에서 볼 수 있는 제한 없이 이러한 계산 집약적인 접근 방식을 사용할 수 있습니다.
결론
Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate 및 Lambda와 같은 도구를 사용하여 확장 가능하고 안전하며 비용 효율적이며 이미지 재구성과 같은 복잡한 작업을 대규모로 수행할 수 있는 관리형 환경을 만들 수 있습니다.
이 게시물에서 우리는 빠른 이미지 재구성을 위한 데이터베이스 무료 딥 러닝 기술인 RAKI로 알려진 계산 집약적 기술을 사용하여 원시 모달리티 데이터에서 이미지 재구성을 위한 가능한 솔루션을 탐구했습니다.
AWS가 의료 혁신을 가속화하는 방법에 대해 자세히 알아보려면 다음을 방문하십시오. 건강을 위한 AWS.
참고자료
저자,
베네데토 카롤로 유럽, 중동 및 아프리카의 Amazon Web Services에서 의료 영상 및 의료 분야의 수석 솔루션 설계자입니다. 그의 업무는 의료 영상 및 의료 고객이 기술을 활용하여 비즈니스 문제를 해결하도록 돕는 데 중점을 둡니다. Benedetto는 기술 및 의료 영상 분야에서 15년 이상의 경험을 갖고 있으며 Canon Medical Research 및 Vital Images와 같은 회사에서 근무했습니다. Benedetto는 이탈리아 팔레르모 대학에서 소프트웨어 공학 석사를 우등으로 받았습니다.
