Облачная реконструкция медицинских изображений с использованием глубоких нейронных сетей

Методы медицинской визуализации, такие как компьютерная томография (КТ), магнитно-резонансная томография (МРТ), медицинская рентгенография, ультразвуковая визуализация и другие, обычно используются врачами по разным причинам. Некоторые примеры включают обнаружение изменений во внешнем виде органов, тканей и сосудов, а также обнаружение аномалий, таких как опухоли и различные другие типы патологий.

Прежде чем врачи смогут использовать данные этих методов, данные необходимо преобразовать из исходной необработанной формы в форму, которую можно отобразить в виде изображения на экране компьютера.

Этот процесс известен как реконструкция изображения, и он играет решающую роль в рабочем процессе медицинской визуализации — на этом этапе создаются диагностические изображения, которые затем могут быть просмотрены врачами.

В этом посте мы обсуждаем вариант использования реконструкции МРТ, но архитектурные концепции могут быть применены к другим типам реконструкции изображения.

Достижения в области реконструкции изображений привели к успешному применению методов на основе ИИ в магнитно-резонансной (МРТ) визуализации. Эти методики направлены на повышение точности реконструкции, а в случае МР-модальности и сокращение времени, необходимого для полного сканирования.

В рамках MR успешно применяются приложения, использующие ИИ для работы с недостаточной выборкой данных. достижение почти десятикратного сокращения времени сканирования.

Время ожидания таких тестов, как МРТ и КТ, быстро увеличилось за последние пару лет, что привело к время ожидания до 3 месяцев. Чтобы обеспечить хороший уход за пациентами, растущая потребность в быстрой доступности реконструированных изображений наряду с необходимостью снижения эксплуатационных расходов привела к необходимости решения, способного масштабироваться в соответствии с потребностями в хранении и вычислениях.

В дополнение к вычислительным потребностям в последние несколько лет наблюдается устойчивый рост объема данных. Например, глядя на наборы данных, предоставленные Вычисление медицинских изображений и компьютерное вмешательство (MICCAI)можно понять, что ежегодный прирост составляет 21% для МРТ, 24% для КТ и 31% для функциональной МРТ (фМРТ). (Для получения дополнительной информации см. Рост набора данных в исследованиях по анализу медицинских изображений.)

В этом посте мы покажем вам архитектуру решения, которая решает эти проблемы. Это решение может предоставить исследовательским центрам, медицинским учреждениям и поставщикам модальностей доступ к неограниченным возможностям хранения, масштабируемой мощности графического процессора, быстрому доступу к данным для задач обучения и реконструкции машинного обучения (ML), простым и быстрым средам разработки ML и возможности иметь локальное кэширование для быстрой доступности данных изображений с малой задержкой.

Обзор решения

В этом решении используется метод реконструкции МРТ, известный как Надежные искусственные нейронные сети для интерполяции k-пространства (РАКИ). Этот подход выгоден, потому что он специфичен для сканирования и не требует предварительных данных для обучения нейронной сети. Недостатком этого метода является то, что для его эффективности требуется много вычислительной мощности.

Описанная архитектура AWS показывает, как облачный подход к реконструкции может эффективно выполнять ресурсоемкие вычислительные задачи, подобные той, которая требуется для нейронной сети RAKI, масштабируясь в соответствии с нагрузкой и ускоряя процесс реконструкции. Это открывает двери для методов, которые не могут быть реально реализованы в помещении.

Уровень данных

Слой данных построен на следующих принципах:

• Бесшовная интеграция с модальностями, которые сохраняют данные, созданные на подключенном накопителе через сетевую папку на устройстве NAS.
• Безграничные и безопасные возможности хранения данных для масштабирования в соответствии с постоянным спросом на пространство для хранения
• Быстрая доступность хранилища для рабочих нагрузок машинного обучения, таких как глубокое нейронное обучение и реконструкция нейронных изображений.
• Возможность архивирования исторических данных с использованием недорогого масштабируемого подхода.
• Обеспечить доступ к наиболее часто используемым реконструированным данным, одновременно сохраняя менее часто используемые данные в архиве с меньшими затратами.

Следующая диаграмма иллюстрирует эту архитектуру.

В этом подходе используются следующие сервисы:

• Шлюз хранилища AWS для бесшовной интеграции с локальной модальностью, которая обменивается информацией через систему общего доступа к файлам. Это обеспечивает прозрачный доступ к следующим возможностям облачного хранилища AWS, сохраняя при этом способ обмена данными:
  • Быстрая облачная загрузка томов, созданных модальностью MR.
  • Доступ с малой задержкой к часто используемым реконструированным исследованиям МРТ благодаря локальному кэшированию, предлагаемому Storage Gateway.
• Создатель мудреца Амазонки для неограниченного и масштабируемого облачного хранилища. Amazon S3 также обеспечивает недорогое глубокое архивирование необработанных данных МРТ за прошлые периоды с помощью Амазонка S3 Glacier, а также интеллектуальный уровень хранения реконструированных МРТ с Интеллектуальное многоуровневое распределение Amazon S3.
• Amazon FSx для блеска для быстрого и масштабируемого промежуточного хранилища, используемого для обучения и реконструкции машинного обучения.

На следующем рисунке показана краткая архитектура, описывающая обмен данными между облачными средами.

Использование Storage Gateway с механизмом кэширования позволяет локальным приложениям быстро получать доступ к данным, доступным в локальном кэше. Это происходит при одновременном предоставлении доступа к масштабируемому пространству хранения в облаке.

При таком подходе модальности могут генерировать необработанные данные из заданий сбора данных, а также записывать необработанные данные в общий сетевой ресурс, обрабатываемый из Storage Gateway.

Если модальность создает несколько файлов, принадлежащих одному и тому же сканированию, рекомендуется создать один архив (например, .tar) и выполнить одну передачу в сетевую папку, чтобы ускорить передачу данных.

Уровень декомпрессии и преобразования данных

Уровень распаковки данных получает необработанные данные, автоматически выполняет распаковку и применяет потенциальные преобразования к необработанным данным перед отправкой предварительно обработанных данных на уровень реконструкции.

Принятая архитектура показана на следующем рисунке.

В этой архитектуре необработанные данные МРТ попадают в корзину необработанных данных МРТ S3, тем самым инициируя новую запись в Простой сервис очередей Amazon (Амазон СКС).

An AWS Lambda Функция получает необработанную глубину очереди MRI Amazon SQS, которая представляет собой количество необработанных снимков MRI, загруженных в облако AWS. Это используется с АМС Фаргейт для автоматической модуляции размера Amazon Elastic Контейнерный Сервис (Amazon ECS) кластер.

Этот подход к архитектуре позволяет автоматически увеличивать и уменьшать масштаб в соответствии с количеством необработанных сканирований, попадающих в корзину необработанных входных данных.

После распаковки и предварительной обработки необработанных данных МРТ они сохраняются в другой корзине S3, чтобы их можно было реконструировать.

Слой разработки нейронной модели

Слой разработки нейронной модели состоит из реализации RAKI. Это создает модель нейронной сети, позволяющую быстро восстанавливать изображения необработанных данных магнитного резонанса с недостаточной дискретизацией.

На следующем рисунке показана архитектура, реализующая разработку нейронной модели и создание контейнера.

В этой архитектуре Создатель мудреца Амазонки используется для разработки нейронной модели RAKI и одновременно для создания контейнера, который впоследствии используется для выполнения МРТ-реконструкции.

Затем созданный контейнер включается в полностью управляемый Реестр Amazon Elastic Container (Amazon ECR), чтобы затем он мог выполнять задачи реконструкции.

Быстрое хранение данных гарантируется принятием Amazon FSx для блеска. Он обеспечивает задержки менее миллисекунды, пропускную способность до сотен Гбит/с и до миллионов операций ввода-вывода в секунду. Такой подход дает SageMaker доступ к экономичному, высокопроизводительному и масштабируемому решению для хранения данных.

Слой реконструкции МРТ

Реконструкция МРТ на основе нейронной сети RAKI обрабатывается архитектурой, показанной на следующей диаграмме.

С тем же архитектурным шаблоном, принятым на уровне декомпрессии и предварительной обработки, уровень реконструкции автоматически масштабируется вверх и вниз, анализируя глубину очереди, отвечающую за хранение всех запросов на реконструкцию. В этом случае, чтобы включить поддержку графического процессора, Пакет AWS используется для выполнения работ по реконструкции МРТ.

Amazon FSx for Lustre используется для обмена большими объемами данных, необходимых для получения МРТ. Кроме того, когда задание реконструкции завершено и восстановленные данные МРТ сохраняются в целевом сегменте S3, используемая архитектура автоматически запрашивает обновление шлюза хранилища. Это делает реконструированные данные доступными для локального объекта.

Общая архитектура и результаты

Общая архитектура показана на следующем рисунке.

Мы применили описанную архитектуру к задачам реконструкции МРТ с Наборы данных около 2.4 Гб.

На обучение 210 набора данных ушло примерно 221 секунд, что в общей сложности составляет 514 ГБ необработанных данных на одном узле, оснащенном Nvidia Tesla V100-SXM2-16GB.

Реконструкция после обучения сети RAKI заняла в среднем 40 секунд на одном узле, оснащенном Nvidia Tesla V100-SXM2-16GB.

Применение предыдущей архитектуры к заданию реконструкции может дать результаты, показанные на следующем рисунке.

Изображение показывает, что хорошие результаты могут быть получены с помощью таких методов реконструкции, как RAKI. Кроме того, внедрение облачных технологий может сделать эти ресурсоемкие вычислительные подходы доступными без ограничений, присущих локальным решениям, где ресурсы хранения и вычислительные ресурсы всегда ограничены.

Выводы

С помощью таких инструментов, как Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate и Lambda, мы можем создать управляемую среду, которая является масштабируемой, безопасной, экономичной и способной выполнять сложные задачи, такие как реконструкция изображений в масштабе.

В этом посте мы рассмотрели возможное решение для реконструкции изображений из необработанных модальных данных с использованием вычислительно-интенсивной техники, известной как RAKI: методика глубокого обучения без базы данных для быстрой реконструкции изображений.

Чтобы узнать больше о том, как AWS ускоряет инновации в здравоохранении, посетите AWS для здоровья.

Рекомендации

---

Об авторе

Бенедетто Каролло является старшим архитектором решений для медицинской визуализации и здравоохранения в Amazon Web Services в Европе, на Ближнем Востоке и в Африке. Его работа сосредоточена на том, чтобы помогать клиентам в области медицинской визуализации и здравоохранения решать бизнес-задачи с помощью технологий. Бенедетто имеет более чем 15-летний опыт работы с технологиями и медицинской визуализацией и работал в таких компаниях, как Canon Medical Research и Vital Images. Бенедетто с отличием получил степень магистра в области разработки программного обеспечения в Университете Палермо, Италия.