Rekonstrukcija medicinskih slik v oblaku z uporabo globokih nevronskih mrež

Tehnike medicinskega slikanja, kot so računalniška tomografija (CT), slikanje z magnetno resonanco (MRI), medicinsko rentgensko slikanje, ultrazvočno slikanje in druge, zdravniki pogosto uporabljajo iz različnih razlogov. Nekateri primeri vključujejo odkrivanje sprememb v videzu organov, tkiv in žil ter odkrivanje nepravilnosti, kot so tumorji in različne druge vrste patologij.

Preden lahko zdravniki uporabijo podatke iz teh tehnik, je treba podatke pretvoriti iz izvorne neobdelane oblike v obliko, ki jo je mogoče prikazati kot sliko na računalniškem zaslonu.

Ta proces je znan kot rekonstrukcija slike, in igra ključno vlogo pri poteku dela medicinskega slikanja – je korak, ki ustvarja diagnostične slike, ki jih lahko nato pregledajo zdravniki.

V tem prispevku razpravljamo o primeru uporabe rekonstrukcije MRI, vendar se lahko arhitekturni koncepti uporabijo za druge vrste rekonstrukcije slike.

Napredek na področju rekonstrukcije slik je pripeljal do uspešne uporabe tehnik, ki temeljijo na umetni inteligenci, pri slikanju z magnetno resonanco (MR). Te tehnike so namenjene povečanju natančnosti rekonstrukcije in v primeru modalnosti MR ter zmanjšanju časa, potrebnega za popolno slikanje.

Znotraj MR so bile uspešno uporabljene aplikacije, ki uporabljajo AI za delo s premalo vzorčenimi pridobitvami, doseganje skoraj desetkratnega zmanjšanja časa skeniranja.

Čakalne dobe za preiskave, kot sta MRI in CT, so se v zadnjih nekaj letih hitro povečale, kar je povzročilo čakalne dobe do 3 mesece. Da bi zagotovili dobro oskrbo pacientov, je naraščajoča potreba po hitri razpoložljivosti rekonstruiranih slik skupaj s potrebo po zmanjšanju operativnih stroškov povzročila potrebo po rešitvi, ki je zmožna prilagajanja glede na potrebe po shranjevanju in računanju.

Poleg računalniških potreb je v zadnjih nekaj letih rast podatkov nenehno naraščala. Če na primer pogledamo nabore podatkov, ki jih je dal na voljo Računalništvo medicinskih slik in računalniško podprta intervencija (MICCAI), je mogoče ugotoviti, da je letna rast 21 % za MRI, 24 % za CT in 31 % za funkcionalno MRI (fMRI). (Za več informacij glejte Rast nabora podatkov v raziskavah analize medicinske slike.)

V tej objavi vam pokažemo arhitekturo rešitve, ki obravnava te izzive. Ta rešitev lahko raziskovalnim centrom, medijskim ustanovam in prodajalcem modalnosti omogoči dostop do neomejenih zmogljivosti shranjevanja, razširljive moči GPE, hitrega dostopa do podatkov za naloge usposabljanja in rekonstrukcije strojnega učenja (ML), preprostih in hitrih razvojnih okolij ML ter zmožnosti imajo lokalno predpomnjenje za hitro razpoložljivost slikovnih podatkov z nizko zakasnitvijo.

Pregled rešitev

Ta rešitev uporablja tehniko rekonstrukcije MRI, znano kot Robustne umetne nevronske mreže za interpolacijo k-prostora (RAKI). Ta pristop je ugoden, ker je specifičen za skeniranje in ne zahteva predhodnih podatkov za usposabljanje nevronske mreže. Pomanjkljivost te tehnike je, da zahteva veliko računske moči, da je učinkovita.

Opisana arhitektura AWS prikazuje, kako lahko pristop rekonstrukcije, ki temelji na oblaku, učinkovito izvaja računalniško težke naloge, kot so tiste, ki jih zahteva nevronska mreža RAKI, prilagajanje glede na obremenitev in pospeševanje procesa rekonstrukcije. To odpira vrata tehnikam, ki jih dejansko ni mogoče izvajati v prostorih.

Podatkovna plast

Podatkovna plast je zasnovana po naslednjih načelih:

• Brezhibna integracija z modalitetami, ki shranjujejo podatke, ustvarjene v priključen shranjevalni pogon prek omrežne skupne rabe v napravi NAS
• Neomejene in varne zmogljivosti shranjevanja podatkov za prilagajanje nenehnemu povpraševanju po prostoru za shranjevanje
• Hitra razpoložljivost shranjevanja za delovne obremenitve ML, kot sta globoko nevronsko usposabljanje in rekonstrukcija nevronske slike
• Sposobnost arhiviranja zgodovinskih podatkov z uporabo nizkocenovnega, razširljivega pristopa
• Omogočite dostop do najpogosteje dostopanih rekonstruiranih podatkov, hkrati pa manj pogosto dostopane podatke arhivirajte po nižji ceni

Naslednji diagram prikazuje to arhitekturo.

Ta pristop uporablja naslednje storitve:

• AWS Storage Gateway za brezhibno integracijo z lokalno modalnostjo, ki izmenjuje informacije prek sistema za skupno rabo datotek. To omogoča pregleden dostop do naslednjih zmogljivosti shranjevanja v oblaku AWS, hkrati pa ohranja način izmenjave podatkov v načinu:
  • Hitro nalaganje v oblak količin, ustvarjenih z modalnostjo MR.
  • Dostop z nizko zakasnitvijo do pogosto uporabljenih rekonstruiranih študij MR prek lokalnega predpomnjenja, ki ga ponuja Storage Gateway.
• Amazon SageMaker za neomejeno in razširljivo shranjevanje v oblaku. Amazon S3 ponuja tudi poceni globoko arhiviranje zgodovinskih neobdelanih MRI podatkov Ledenik Amazon S3in inteligentni nivo shranjevanja za rekonstruirano MRI z Amazon S3 Intelligent-Tiering.
• Amazon FSx za Luster za hitro in razširljivo vmesno shranjevanje, ki se uporablja za naloge usposabljanja in rekonstrukcije ML.

Naslednja slika prikazuje jedrnato arhitekturo, ki opisuje izmenjavo podatkov med oblačnimi okolji.

Uporaba Storage Gateway z mehanizmom predpomnilnika omogoča aplikacijam na mestu uporabe hiter dostop do podatkov, ki so na voljo v lokalnem predpomnilniku. To se zgodi ob hkratnem dostopu do razširljivega prostora za shranjevanje v oblaku.

S tem pristopom lahko modalitete generirajo neobdelane podatke iz opravil pridobivanja, pa tudi zapišejo neobdelane podatke v omrežno skupno rabo, ki jo upravlja Storage Gateway.

Če modalnost ustvari več datotek, ki pripadajo istemu skeniranju, je priporočljivo ustvariti en sam arhiv (na primer .tar) in izvesti en sam prenos v omrežno skupno rabo, da pospešite prenos podatkov.

Podatkovna dekompresija in transformacijska plast

Sloj za dekompresijo podatkov prejme neobdelane podatke, samodejno izvede dekompresijo in uporabi morebitne transformacije za neobdelane podatke, preden predhodno obdelane podatke predloži sloju za rekonstrukcijo.

Sprejeta arhitektura je prikazana na naslednji sliki.

V tej arhitekturi neobdelani podatki MRI pristanejo v vedru neobdelanega MRI S3 in s tem sprožijo nov vnos v Storitev Amazon Simple Queue Service (Amazon SQS).

An AWS Lambda funkcija pridobi surovo globino čakalne vrste MRI Amazon SQS, ki predstavlja količino neobdelanih MRI posnetkov, naloženih v oblak AWS. To se uporablja z AWS Fargate za samodejno modulacijo velikosti an Amazonska storitev za kontejnerje z elastiko (Amazon ECS) grozd.

Ta arhitekturni pristop omogoča samodejno prilagajanje navzgor in navzdol glede na število neobdelanih pregledov, ki so pristali v neobdelanem vhodnem vedru.

Ko so neobdelani podatki MRI dekompresirani in predhodno obdelani, se shranijo v drugo vedro S3, da jih je mogoče rekonstruirati.

Razvojna plast nevronskega modela

Razvojna plast nevronskega modela je sestavljena iz izvedbe RAKI. To ustvari model nevronske mreže, ki omogoča hitro rekonstrukcijo slike premalo vzorčenih neobdelanih podatkov magnetne resonance.

Naslednja slika prikazuje arhitekturo, ki uresničuje razvoj nevronskega modela in ustvarjanje vsebnika.

V tej arhitekturi, Amazon SageMaker se uporablja za razvoj nevronskega modela RAKI in hkrati za izdelavo vsebnika, ki se kasneje uporablja za izvedbo rekonstrukcije MRI.

Nato je ustvarjeni vsebnik vključen v popolnoma upravljan Registar elastičnih zabojnikov Amazon (Amazon ECR), tako da lahko nato izvaja naloge rekonstrukcije.

Hitro shranjevanje podatkov je zagotovljeno s sprejetjem Amazon FSx za Luster. Zagotavlja zakasnitve manj kot milisekunde, prepustnost do sto GBps in do milijone IOPS. Ta pristop omogoča SageMakerju dostop do stroškovno učinkovite, visoko zmogljive in razširljive rešitve za shranjevanje.

Rekonstrukcijska plast MRI

Rekonstrukcijo MRI, ki temelji na nevronski mreži RAKI, upravlja arhitektura, prikazana v naslednjem diagramu.

Z enakim arhitekturnim vzorcem, sprejetim v sloju za dekompresijo in predprocesiranje, se sloj za rekonstrukcijo samodejno spreminja navzgor in navzdol z analizo globine čakalne vrste, ki je odgovorna za zadrževanje vseh zahtev za rekonstrukcijo. V tem primeru, da omogočite podporo GPU, Serija AWS se uporablja za izvajanje poslov rekonstrukcije MRI.

Amazon FSx za Luster se uporablja za izmenjavo velike količine podatkov, vključenih v zajemanje MRI. Poleg tega, ko je opravilo rekonstrukcije končano in so rekonstruirani podatki MRI shranjeni v ciljnem vedru S3, uporabljena arhitektura samodejno zahteva osvežitev prehoda za shranjevanje. Tako so rekonstruirani podatki na voljo lokalni napravi.

Celotna arhitektura in rezultati

Celotna arhitektura je prikazana na naslednji sliki.

Opisano arhitekturo smo uporabili pri nalogah rekonstrukcije MRI z nabor podatkov velik približno 2.4 GB.

Trajalo je približno 210 sekund za usposabljanje 221 nizov podatkov, za skupno 514 GB neobdelanih podatkov na enem vozlišču, opremljenem z Nvidia Tesla V100-SXM2-16GB.

Rekonstrukcija, potem ko je bilo omrežje RAKI usposobljeno, je v povprečju trajala 40 sekund na enem vozlišču, opremljenem z Nvidia Tesla V100-SXM2-16GB.

Uporaba predhodne arhitekture pri rekonstrukcijskem poslu lahko prinese rezultate na naslednji sliki.

Slika prikazuje, da je mogoče doseči dobre rezultate s tehnikami rekonstrukcije, kot je RAKI. Poleg tega lahko s sprejetjem tehnologije v oblaku postanejo ti računalniško zahtevni pristopi na voljo brez omejitev, ki jih najdemo v lokalnih rešitvah, kjer so viri za shranjevanje in računalništvo vedno omejeni.

Sklepi

Z orodji, kot so Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate in Lambda, lahko ustvarimo upravljano okolje, ki je razširljivo, varno, stroškovno učinkovito in zmožno izvajati zapletene naloge, kot je rekonstrukcija slike v velikem obsegu.

V tem prispevku smo raziskali možno rešitev za rekonstrukcijo slike iz neobdelanih modalnih podatkov z uporabo računalniško intenzivne tehnike, znane kot RAKI: tehnika globokega učenja brez baze podatkov za hitro rekonstrukcijo slike.

Če želite izvedeti več o tem, kako AWS pospešuje inovacije v zdravstvu, obiščite AWS za zdravje.

Reference

---

O avtorju

Benedetto Carollo je višji arhitekt rešitev za medicinsko slikanje in zdravstveno varstvo pri Amazon Web Services v Evropi, na Bližnjem vzhodu in v Afriki. Njegovo delo se osredotoča na pomoč uporabnikom medicinskih slik in zdravstvenih storitev pri reševanju poslovnih težav z uporabo tehnologije. Benedetto ima več kot 15 let izkušenj s tehnologijo in medicinskim slikanjem ter je delal za podjetja, kot sta Canon Medical Research in Vital Images. Benedetto je prejel magisterij iz programskega inženiringa z najvišjo pohvalo na Univerzi v Palermu v Italiji.