Reconstrucție imagistică medicală bazată pe cloud folosind rețele neuronale profunde

Tehnicile de imagistică medicală precum tomografia computerizată (CT), imagistica prin rezonanță magnetică (RMN), imagistica medicală cu raze X, imagistica cu ultrasunete și altele sunt utilizate în mod obișnuit de medici din diverse motive. Unele exemple includ detectarea modificărilor în aspectul organelor, țesuturilor și vaselor și detectarea anomaliilor, cum ar fi tumorile și diferite alte tipuri de patologii.

Înainte ca medicii să poată folosi datele din aceste tehnici, datele trebuie să fie transformate din forma lor brută nativă într-o formă care poate fi afișată ca imagine pe ecranul unui computer.

Acest proces este cunoscut sub numele de reconstrucția imaginii, și joacă un rol crucial în fluxul de lucru al imagisticii medicale - este pasul care creează imagini de diagnostic care pot fi apoi revizuite de medici.

În acest post, discutăm un caz de utilizare al reconstrucției RMN, dar conceptele arhitecturale pot fi aplicate și altor tipuri de reconstrucție a imaginii.

Progresele în domeniul reconstrucției imaginii au condus la aplicarea cu succes a tehnicilor bazate pe IA în imagistica prin rezonanță magnetică (MR). Aceste tehnici au ca scop creșterea acurateței reconstrucției și în cazul modalității RM și scăderea timpului necesar pentru o scanare completă.

În cadrul MR, aplicațiile care utilizează AI pentru a lucra cu achiziții sub eșantionate au fost utilizate cu succes, realizând o reducere de aproape zece ori a timpilor de scanare.

Timpii de așteptare pentru teste precum RMN și tomografii au crescut rapid în ultimii câțiva ani, ducând la timpi de așteptare până la 3 luni. Pentru a asigura o îngrijire bună a pacientului, nevoia tot mai mare de disponibilitate rapidă a imaginilor reconstruite, împreună cu nevoia de a reduce costurile operaționale, a determinat necesitatea unei soluții capabile să se scaleze în funcție de nevoile de stocare și de calcul.

Pe lângă nevoile de calcul, creșterea datelor a cunoscut o creștere constantă în ultimii câțiva ani. De exemplu, analizând seturile de date puse la dispoziție de către Calcularea imaginilor medicale și intervenția asistată de calculator (MICCAI), este posibil să știm că creșterea anuală este de 21% pentru RMN, 24% pentru CT și 31% pentru RMN funcțional (fMRI). (Pentru mai multe informații, consultați Creșterea setului de date în cercetarea analizei imaginilor medicale.)

În această postare, vă arătăm o arhitectură de soluție care abordează aceste provocări. Această soluție poate permite centrelor de cercetare, instituțiilor mediale și furnizorilor de modalități să aibă acces la capacități de stocare nelimitate, putere scalabilă GPU, acces rapid la date pentru activități de instruire și reconstrucție de învățare automată (ML), medii simple și rapide de dezvoltare ML și capacitatea de a au stocare în cache la nivel local pentru disponibilitatea rapidă și cu latență redusă a datelor de imagine.

Prezentare generală a soluțiilor

Această soluție folosește o tehnică de reconstrucție RMN cunoscută ca Rețele artificiale-neurale robuste pentru interpolarea spațiului k (RAKI). Această abordare este avantajoasă deoarece este specifică scanării și nu necesită date prealabile pentru a antrena rețeaua neuronală. Dezavantajul acestei tehnici este că necesită multă putere de calcul pentru a fi eficientă.

Arhitectura AWS prezentată arată cum o abordare de reconstrucție bazată pe cloud poate îndeplini în mod eficient sarcini de calcul grele, cum ar fi cea cerută de rețeaua neuronală RAKI, scalând în funcție de sarcină și accelerând procesul de reconstrucție. Acest lucru deschide ușa către tehnici care nu pot fi implementate în mod realist la locație.

Stratul de date

Stratul de date a fost construit în jurul următoarelor principii:

• Integrare perfectă cu modalități care stochează datele generate într-o unitate de stocare atașată printr-o partajare de rețea pe un dispozitiv NAS
• Capacități nelimitate și sigure de stocare a datelor pentru a se adapta la cererea continuă de spațiu de stocare
• Disponibilitate rapidă de stocare pentru sarcinile de lucru ML, cum ar fi antrenamentul neuronal profund și reconstrucția imaginii neuronale
• Capacitatea de a arhiva date istorice folosind o abordare scalabilă, cu costuri reduse
• Permiteți disponibilitatea datelor reconstruite cel mai frecvent accesate, păstrând în același timp datele mai puțin accesate arhivate la un cost mai mic

Următoarea diagramă ilustrează această arhitectură.

Această abordare utilizează următoarele servicii:

• AWS Storage Gateway pentru o integrare perfectă cu modalitatea locală care face schimb de informații prin intermediul unui sistem de partajare a fișierelor. Acest lucru permite accesul transparent la următoarele capabilități de stocare AWS Cloud, menținând în același timp modul în care modalitatea schimbă datele:
  • Încărcare rapidă în cloud a volumelor generate de modalitatea MR.
  • Acces cu latență redusă la studiile MR reconstruite utilizate frecvent prin memorarea în cache locală oferită de Storage Gateway.
• Amazon SageMaker pentru stocare în cloud nelimitată și scalabilă. Amazon S3 oferă, de asemenea, arhivare profundă a datelor RMN brute istorice, cu costuri reduse Ghețarul Amazon S3, și un nivel de stocare inteligent pentru RMN-ul reconstruit cu Amazon S3 Intelligent-Tiering.
• Amazon FSx pentru Luster pentru stocare intermediară rapidă și scalabilă utilizată pentru activitățile de instruire și reconstrucție ML.

Figura următoare prezintă o arhitectură concisă care descrie schimbul de date între mediile cloud.

Utilizarea Storage Gateway cu mecanismul de stocare în cache permite aplicațiilor locale să acceseze rapid datele disponibile în memoria cache locală. Acest lucru se întâmplă în timp ce se oferă simultan acces la spațiu de stocare scalabil pe cloud.

Cu această abordare, modalitățile pot genera date brute din lucrările de achiziție, precum și pot scrie datele brute într-o partajare de rețea gestionată de Storage Gateway.

Dacă modalitatea generează mai multe fișiere care aparțin aceleiași scanări, este recomandat să creați o singură arhivă (.tar de exemplu) și să efectuați un singur transfer către partajarea rețelei pentru a accelera transferul de date.

Stratul de decompresie și transformare a datelor

Stratul de decompresie a datelor primește datele brute, efectuează automat decompresia și aplică potențiale transformări datelor brute înainte de a trimite datele preprocesate la stratul de reconstrucție.

Arhitectura adoptată este prezentată în figura următoare.

În această arhitectură, datele RMN brute ajung în găleata RMN S3 brute, declanșând astfel o nouă intrare în Serviciul de coadă simplă Amazon (Amazon SQS).

An AWS Lambdas funcția preia adâncimea de coadă RMN brută Amazon SQS, care reprezintă cantitatea de achiziții RMN brute încărcate în AWS Cloud. Acesta este folosit cu AWS Fargate pentru a modula automat dimensiunea unui Serviciul Amazon de containere elastice cluster (Amazon ECS).

Această abordare de arhitectură îi permite să crească și să scadă automat în funcție de numărul de scanări brute aterizate în compartimentul de intrare brută.

După ce datele RMN brute sunt decomprimate și preprocesate, sunt salvate într-o altă găleată S3, astfel încât să poată fi reconstruite.

Stratul de dezvoltare a modelului neuronal

Stratul de dezvoltare a modelului neuronal constă dintr-o implementare RAKI. Acest lucru creează un model de rețea neuronală pentru a permite reconstrucția rapidă a imaginii a datelor brute de rezonanță magnetică sub-eșantionate.

Figura următoare arată arhitectura care realizează dezvoltarea modelului neuronal și crearea containerelor.

În această arhitectură, Amazon SageMaker este folosit pentru a dezvolta modelul neural RAKI și, în același timp, pentru a crea containerul care este folosit ulterior pentru a efectua reconstrucția RMN.

Apoi, containerul creat este inclus în complet gestionat Registrul Amazon de containere elastice (Amazon ECR) pentru ca apoi să poată dezactiva sarcinile de reconstrucție.

Stocarea rapidă a datelor este garantată prin adoptarea Amazon FSx pentru Luster. Oferă latențe sub milisecunde, debit de până la sute de GBps și până la milioane de IOPS. Această abordare oferă SageMaker acces la o soluție de stocare rentabilă, de înaltă performanță și scalabilă.

Stratul de reconstrucție RMN

Reconstrucția RMN bazată pe rețeaua neuronală RAKI este gestionată de arhitectura prezentată în diagrama următoare.

Cu același model arhitectural adoptat în stratul de decompresie și preprocesare, stratul de reconstrucție se scalează automat în sus și în jos, analizând adâncimea cozii responsabilă pentru deținerea tuturor solicitărilor de reconstrucție. În acest caz, pentru a activa suportul GPU, Lot AWS este utilizat pentru a rula lucrările de reconstrucție RMN.

Amazon FSx pentru Luster este folosit pentru a face schimb de cantitate mare de date implicate în achiziția RMN. Mai mult, atunci când o lucrare de reconstrucție este finalizată și datele RMN reconstruite sunt stocate în găleata S3 țintă, arhitectura utilizată solicită automat o reîmprospătare a gateway-ului de stocare. Acest lucru face ca datele reconstruite să fie disponibile pentru unitatea locală.

Arhitectură generală și rezultate

Arhitectura generală este prezentată în figura următoare.

Am aplicat arhitectura descrisă pe sarcini de reconstrucție RMN cu seturi de date aproximativ 2.4 GB în dimensiune.

A fost nevoie de aproximativ 210 de secunde pentru a antrena 221 de seturi de date, pentru un total de 514 GB de date brute pe un singur nod echipat cu un Nvidia Tesla V100-SXM2-16GB.

Reconstructia, dupa ce reteaua RAKI a fost antrenata, a durat in medie 40 de secunde pe un singur nod echipat cu un Nvidia Tesla V100-SXM2-16GB.

Aplicarea arhitecturii precedente la o lucrare de reconstrucție poate da rezultatele din figura următoare.

Imaginea arată că se pot obține rezultate bune prin tehnici de reconstrucție precum RAKI. Mai mult, adoptarea tehnologiei cloud poate face disponibile aceste abordări grele de calcul fără limitările găsite în soluțiile locale în care resursele de stocare și de calcul sunt întotdeauna limitate.

Concluzii

Cu instrumente precum Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate și Lambda, putem crea un mediu gestionat care este scalabil, sigur, rentabil și capabil să realizeze sarcini complexe, cum ar fi reconstrucția imaginilor la scară.

În această postare, am explorat o posibilă soluție pentru reconstrucția imaginii din datele brute ale modalității folosind o tehnică intensivă din punct de vedere computațional cunoscută sub numele de RAKI: o tehnică de învățare profundă fără baze de date pentru reconstrucția rapidă a imaginii.

Pentru a afla mai multe despre modul în care AWS accelerează inovația în domeniul sănătății, vizitați AWS pentru sănătate.

Referinte

---

Despre autor

Benedetto Carollo este arhitectul senior de soluții pentru imagistica medicală și asistența medicală la Amazon Web Services în Europa, Orientul Mijlociu și Africa. Munca sa se concentrează pe a ajuta clienții de imagistică medicală și de asistență medicală să rezolve problemele de afaceri prin valorificarea tehnologiei. Benedetto are peste 15 ani de experiență în tehnologie și imagistică medicală și a lucrat pentru companii precum Canon Medical Research și Vital Images. Benedetto a obținut un master summa cum laude în Inginerie Software de la Universitatea din Palermo – Italia.