Reconstrução de imagens médicas baseada em nuvem usando redes neurais profundas

Técnicas de imagens médicas, como tomografia computadorizada (TC), ressonância magnética (RM), radiografia médica, ultrassonografia e outras são comumente usadas pelos médicos por vários motivos. Alguns exemplos incluem detectar alterações na aparência de órgãos, tecidos e vasos e detectar anormalidades como tumores e vários outros tipos de patologias.

Antes que os médicos possam usar os dados dessas técnicas, os dados precisam ser transformados de sua forma bruta nativa para uma forma que pode ser exibida como uma imagem na tela do computador.

Este processo é conhecido como reconstrução de imagem, e desempenha um papel crucial em um fluxo de trabalho de imagens médicas - é a etapa que cria imagens de diagnóstico que podem ser analisadas pelos médicos.

Neste post, discutimos um caso de uso de reconstrução de RM, mas os conceitos de arquitetura podem ser aplicados a outros tipos de reconstrução de imagem.

Os avanços no campo da reconstrução de imagens levaram à aplicação bem-sucedida de técnicas baseadas em IA em imagens de ressonância magnética (RM). Essas técnicas visam aumentar a precisão da reconstrução e no caso da modalidade de RM e diminuir o tempo necessário para uma varredura completa.

Dentro do MR, os aplicativos que usam IA para trabalhar com aquisições subamostradas foram empregados com sucesso, alcançando uma redução de quase dez vezes nos tempos de varredura.

Os tempos de espera para exames como ressonâncias magnéticas e tomografias aumentaram rapidamente nos últimos dois anos, levando a tempos de espera de até 3 meses. Para garantir um bom atendimento ao paciente, a crescente necessidade de disponibilidade rápida de imagens reconstruídas, juntamente com a necessidade de reduzir custos operacionais, levou à necessidade de uma solução capaz de dimensionar de acordo com as necessidades computacionais e de armazenamento.

Além das necessidades computacionais, o crescimento de dados tem visto um aumento constante nos últimos anos. Por exemplo, olhando para os conjuntos de dados disponibilizados pelo Computação de Imagens Médicas e Intervenção Assistida por Computador (MICCAI), é possível deduzir que o crescimento anual é de 21% para RM, 24% para TC e 31% para RM funcional (fMRI). (Para mais informações, consulte Crescimento do conjunto de dados na pesquisa de análise de imagens médicas.)

Neste post, mostramos uma arquitetura de solução que aborda esses desafios. Essa solução pode permitir que centros de pesquisa, instituições de mídia e fornecedores de modalidade tenham acesso a recursos de armazenamento ilimitados, potência de GPU escalável, acesso rápido a dados para tarefas de treinamento e reconstrução de machine learning (ML), ambientes de desenvolvimento de ML simples e rápidos e a capacidade de têm cache local para disponibilidade de dados de imagem rápida e de baixa latência.

Visão geral da solução

Esta solução utiliza uma técnica de reconstrução de ressonância magnética conhecida como Redes neurais artificiais robustas para interpolação de espaço k (RAKI). Essa abordagem é vantajosa porque é específica da varredura e não requer dados anteriores para treinar a rede neural. A desvantagem dessa técnica é que ela requer muito poder computacional para ser eficaz.

A arquitetura da AWS descrita mostra como uma abordagem de reconstrução baseada em nuvem pode efetivamente executar tarefas de computação pesada, como a exigida pela rede neural RAKI, dimensionando de acordo com a carga e acelerando o processo de reconstrução. Isso abre a porta para técnicas que não podem ser implementadas de forma realista nas instalações.

Camada de dados

A camada de dados foi arquitetada em torno dos seguintes princípios:

• Integração perfeita com modalidades que armazenam dados gerados em uma unidade de armazenamento conectada por meio de um compartilhamento de rede em um dispositivo NAS
• Recursos de armazenamento de dados ilimitados e seguros para escalar de acordo com a demanda contínua de espaço de armazenamento
• Disponibilidade rápida de armazenamento para cargas de trabalho de ML, como treinamento neural profundo e reconstrução de imagem neural
• A capacidade de arquivar dados históricos usando uma abordagem escalável e de baixo custo
• Permitir a disponibilidade dos dados reconstruídos acessados ​​com mais frequência, mantendo simultaneamente os dados acessados ​​com menos frequência arquivados a um custo menor

O diagrama a seguir ilustra essa arquitetura.

Essa abordagem usa os seguintes serviços:

• Gateway de armazenamento AWS para uma integração perfeita com a modalidade local que troca informações por meio de um sistema de compartilhamento de arquivos. Isso permite acesso transparente aos seguintes recursos de armazenamento da Nuvem AWS, mantendo a forma como a modalidade troca dados:
  • Upload rápido na nuvem dos volumes gerados pela modalidade MR.
  • Acesso de baixa latência a estudos de RM reconstruídos usados ​​com frequência por meio do armazenamento em cache local oferecido pelo Storage Gateway.
• Amazon Sage Maker para armazenamento em nuvem ilimitado e escalável. O Amazon S3 também fornece arquivamento profundo de dados brutos de MRI históricos de baixo custo com Geleira Amazon S3, e uma camada de armazenamento inteligente para a ressonância magnética reconstruída com Camada inteligente do Amazon S3.
• Amazon FSx para Lustre para armazenamento intermediário rápido e escalável usado para tarefas de reconstrução e treinamento de ML.

A figura a seguir mostra uma arquitetura concisa que descreve a troca de dados entre os ambientes de nuvem.

O uso do Storage Gateway com o mecanismo de armazenamento em cache permite que os aplicativos locais acessem rapidamente os dados disponíveis no cache local. Isso ocorre ao mesmo tempo em que dá acesso ao espaço de armazenamento escalável na nuvem.

Com essa abordagem, as modalidades podem gerar dados brutos de trabalhos de aquisição, bem como gravar os dados brutos em um compartilhamento de rede manipulado pelo Storage Gateway.

Se a modalidade gerar vários arquivos que pertencem à mesma varredura, é recomendável criar um único arquivo (.tar por exemplo) e realizar uma única transferência para o compartilhamento de rede para acelerar a transferência de dados.

Camada de descompressão e transformação de dados

A camada de descompressão de dados recebe os dados brutos, executa a descompactação automaticamente e aplica transformações potenciais aos dados brutos antes de enviar os dados pré-processados ​​para a camada de reconstrução.

A arquitetura adotada é descrita na figura a seguir.

Nessa arquitetura, os dados brutos de MRI chegam ao bucket bruto MRI S3, acionando assim uma nova entrada no Serviço de fila simples da Amazon (Amazônia SQS).

An AWS Lambda A função recupera a profundidade da fila do Amazon SQS de RM bruta, que representa a quantidade de aquisições de RM brutas carregadas na Nuvem AWS. Isso é usado com AWS Fargate para modular automaticamente o tamanho de um Serviço Amazon Elastic Container (Amazon ECS).

Essa abordagem de arquitetura permite que ele aumente e diminua automaticamente de acordo com o número de varreduras brutas inseridas no bucket de entrada bruta.

Depois que os dados brutos de MRI são descompactados e pré-processados, eles são salvos em outro bucket do S3 para que possam ser reconstruídos.

Camada de desenvolvimento de modelo neural

A camada de desenvolvimento do modelo neural consiste em uma implementação RAKI. Isso cria um modelo de rede neural para permitir a reconstrução rápida de imagens de dados brutos de ressonância magnética subamostrados.

A figura a seguir mostra a arquitetura que realiza o desenvolvimento do modelo neural e a criação do contêiner.

Nesta arquitetura, Amazon Sage Maker é usado para desenvolver o modelo neural RAKI e, simultaneamente, para criar o contêiner que será usado posteriormente para realizar a reconstrução da RM.

Em seguida, o contêiner criado é incluído no pacote totalmente gerenciado Registro do Amazon Elastic Container (Amazon ECR) para que ele possa executar tarefas de reconstrução.

O armazenamento rápido de dados é garantido pela adoção de Amazon FSx para Lustre. Ele fornece latências abaixo de milissegundos, até centenas de GBps de taxa de transferência e até milhões de IOPS. Essa abordagem dá ao SageMaker acesso a uma solução de armazenamento econômica, de alto desempenho e escalável.

camada de reconstrução de ressonância magnética

A reconstrução de MRI baseada na rede neural RAKI é tratada pela arquitetura mostrada no diagrama a seguir.

Com o mesmo padrão de arquitetura adotado na camada de descompressão e pré-processamento, a camada de reconstrução automaticamente escala para cima e para baixo analisando a profundidade da fila responsável por conter todas as requisições de reconstrução. Nesse caso, para habilitar o suporte a GPU, Lote da AWS é usado para executar os trabalhos de reconstrução de RM.

O Amazon FSx for Lustre é usado para trocar a grande quantidade de dados envolvidos na aquisição de MRI. Além disso, quando um trabalho de reconstrução é concluído e os dados de MRI reconstruídos são armazenados no bucket S3 de destino, a arquitetura empregada solicita automaticamente uma atualização do gateway de armazenamento. Isso torna os dados reconstruídos disponíveis para a instalação local.

Arquitetura geral e resultados

A arquitetura geral é mostrada na figura a seguir.

Aplicamos a arquitetura descrita em tarefas de reconstrução de RM com conjuntos de dados aproximadamente 2.4 GB de tamanho.

Levou aproximadamente 210 segundos para treinar 221 conjuntos de dados, para um total de 514 GB de dados brutos em um único nó equipado com um Nvidia Tesla V100-SXM2-16GB.

A reconstrução, após o treinamento da rede RAKI, levou em média 40 segundos em um único nó equipado com um Nvidia Tesla V100-SXM2-16GB.

A aplicação da arquitetura anterior a um trabalho de reconstrução pode gerar os resultados na figura a seguir.

A imagem mostra que bons resultados podem ser obtidos por meio de técnicas de reconstrução como RAKI. Além disso, a adoção da tecnologia de nuvem pode disponibilizar essas abordagens de computação pesada sem as limitações encontradas em soluções locais onde o armazenamento e os recursos computacionais são sempre limitados.

Conclusões

Com ferramentas como Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate e Lambda, podemos criar um ambiente gerenciado escalável, seguro, econômico e capaz de realizar tarefas complexas, como reconstrução de imagem em escala.

Neste post, exploramos uma possível solução para reconstrução de imagem a partir de dados de modalidade bruta usando uma técnica computacionalmente intensiva conhecida como RAKI: uma técnica de aprendizado profundo livre de banco de dados para reconstrução rápida de imagem.

Para saber mais sobre como a AWS está acelerando a inovação na área da saúde, visite AWS para saúde.

Referências

---

Sobre o autor

Benedetto Carollo é arquiteto de soluções sênior para imagens médicas e assistência médica na Amazon Web Services na Europa, Oriente Médio e África. Seu trabalho se concentra em ajudar os clientes de imagens médicas e de assistência médica a resolver problemas de negócios, aproveitando a tecnologia. Benedetto tem mais de 15 anos de experiência em tecnologia e imagens médicas e trabalhou para empresas como Canon Medical Research e Vital Images. Benedetto recebeu seu mestrado summa cum laude em Engenharia de Software pela Universidade de Palermo – Itália.