โพสต์นี้เขียนร่วมกับ Ming (Melvin) Qin, David Bericat และ Brad Genereaux จาก NVIDIA
นักวิจัยและนักพัฒนา AI การสร้างภาพทางการแพทย์จำเป็นต้องมีเฟรมเวิร์กระดับองค์กรที่ปรับขนาดได้เพื่อสร้าง ปรับใช้ และผสานรวมแอปพลิเคชัน AI ของตน AWS และ NVIDIA ร่วมมือกันเพื่อทำให้วิสัยทัศน์นี้เป็นจริง AWS, NVIDIA และพันธมิตรอื่นๆ สร้างแอปพลิเคชันและโซลูชันเพื่อทำให้การดูแลสุขภาพเข้าถึงได้ ราคาไม่แพง และมีประสิทธิภาพมากขึ้น โดยการเร่งการเชื่อมต่อระบบคลาวด์ของการสร้างภาพระดับองค์กร MONAI ปรับใช้ เป็นหนึ่งในโมดูลสำคัญภายใน โมไน (Medical Open Network for Artificial Intelligence) พัฒนาโดยกลุ่มผู้นำด้านวิชาการและอุตสาหกรรม รวมถึง NVIDIA AWS HealthImaging (AHI) เป็นร้านเก็บภาพทางการแพทย์ที่มีสิทธิ์ HIPAA ปรับขนาดได้สูง มีประสิทธิภาพ และคุ้มค่า เราได้พัฒนาตัวเชื่อมต่อ MONAI Deploy กับ AHI เพื่อผสานรวมแอปพลิเคชัน AI การสร้างภาพทางการแพทย์เข้ากับเวลาแฝงในการเรียกค้นรูปภาพในระดับต่ำกว่าวินาทีในขนาดที่ขับเคลื่อนโดย API แบบเนทีฟบนคลาวด์ สามารถโฮสต์โมเดลและแอปพลิเคชัน MONAI AI ได้ อเมซอน SageMakerซึ่งเป็นบริการที่มีการจัดการเต็มรูปแบบเพื่อปรับใช้โมเดลการเรียนรู้ของเครื่อง (ML) ในวงกว้าง SageMaker ดูแลการตั้งค่าและจัดการอินสแตนซ์สำหรับการอนุมาน และจัดเตรียมตัววัดและบันทึกในตัวสำหรับตำแหน่งข้อมูลที่คุณสามารถใช้เพื่อตรวจสอบและรับการแจ้งเตือน อีกทั้งยังมีหลากหลาย อินสแตนซ์ NVIDIA GPU สำหรับการอนุมาน ML รวมถึงตัวเลือกการปรับใช้โมเดลหลายแบบพร้อมการปรับขนาดอัตโนมัติ ซึ่งรวมถึง การอนุมานตามเวลาจริง, การอนุมานแบบไร้เซิร์ฟเวอร์, การอนุมานแบบอะซิงโครนัสและ การแปลงแบทช์.
ในโพสต์นี้ เราจะสาธิตวิธีการปรับใช้ MONAI Application Package (MAP) ด้วยตัวเชื่อมต่อกับ AWS HealthImaging โดยใช้ตำแหน่งข้อมูลหลายโมเดลของ SageMaker สำหรับการอนุมานแบบเรียลไทม์และการอนุมานแบบอะซิงโครนัส ตัวเลือกทั้งสองนี้ครอบคลุมกรณีการใช้งานไปป์ไลน์การอนุมานภาพทางการแพทย์แบบเรียลไทม์ส่วนใหญ่
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
เบื้องต้น
ทำตามขั้นตอนข้อกำหนดเบื้องต้นต่อไปนี้:
- ใช้บัญชี AWS กับภูมิภาคใดภูมิภาคหนึ่งต่อไปนี้ซึ่งมี AWS HealthImaging ให้บริการ: เวอร์จิเนียเหนือ (
us-east-1
), โอเรกอน (us-west-2
), ไอร์แลนด์ (eu-west-1
) และซิดนีย์ (ap-southeast-2
). - สร้าง สตูดิโอ Amazon SageMaker โดเมนและโปรไฟล์ผู้ใช้ กับ AWS Identity และการจัดการการเข้าถึง สิทธิ์ (IAM) ในการเข้าถึง AWS HealthImaging
- เปิดใช้งานส่วนขยาย JupyterLab v3 และติดตั้ง Imjoy-jupyter-extension หากคุณต้องการแสดงภาพทางการแพทย์บนโน้ตบุ๊ก SageMaker แบบโต้ตอบโดยใช้ มันเป็นวิดเจ็ต.
ตัวเชื่อมต่อ MAP กับ AWS HealthImaging
AWS HealthImaging นำเข้าไฟล์ DICOM P10 และแปลงเป็น ImageSets ซึ่งเป็นการนำเสนอซีรีส์ DICOM ที่ได้รับการปรับปรุงให้เหมาะสม AHI ให้การเข้าถึง API สำหรับข้อมูลเมตาของ ImageSet และ ImageFrames ข้อมูลเมตามีแอตทริบิวต์ DICOM ทั้งหมดในเอกสาร JSON ImageFrames จะถูกส่งกลับโดยเข้ารหัสใน JPEG2000 ความเร็วสูง (HTJ2K) รูปแบบ lossless ซึ่งสามารถถอดรหัสได้เร็วมาก ImageSets สามารถดึงข้อมูลได้โดยใช้ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือ AWS SDK.
MONAI คือเฟรมเวิร์ก AI การสร้างภาพทางการแพทย์ที่นำความก้าวหน้าทางการวิจัยและการประยุกต์ใช้ AI มาสู่ผลกระทบทางคลินิก MONAI Deploy คือขั้นตอนการประมวลผลที่ช่วยให้เกิดเวิร์กโฟลว์แบบ end-to-end ซึ่งรวมถึงการบรรจุ การทดสอบ การปรับใช้ และการใช้งานแอปพลิเคชัน AI การสร้างภาพทางการแพทย์ในการผลิตทางคลินิก ประกอบด้วย โมไน ปรับใช้ SDK ของแอป MONAI ปรับใช้ด่วน, ผู้จัดการเวิร์กโฟลว์และ เกตเวย์สารสนเทศ. MONAI Deploy App SDK มอบอัลกอริธึมและเฟรมเวิร์กที่พร้อมใช้งานเพื่อเร่งการสร้างแอปพลิเคชัน AI การสร้างภาพทางการแพทย์ รวมถึงเครื่องมืออรรถประโยชน์ในการจัดทำแอปพลิเคชันลงในคอนเทนเนอร์ MAP ฟังก์ชันการทำงานตามมาตรฐานในตัวใน SDK ของแอปทำให้ MAP สามารถผสานรวมเข้ากับเครือข่าย IT ด้านสุขภาพได้อย่างราบรื่น ซึ่งต้องใช้มาตรฐาน เช่น DICOM, HL7 และ FHIR และข้ามศูนย์ข้อมูลและสภาพแวดล้อมระบบคลาวด์ MAP สามารถใช้ตัวดำเนินการทั้งที่กำหนดไว้ล่วงหน้าและแบบกำหนดเองสำหรับการโหลดรูปภาพ DICOM การเลือกซีรีส์ การอนุมานโมเดล และการประมวลผลภายหลัง
เราได้พัฒนาไฟล์ โมดูล Python โดยใช้ AWS HealthImaging Python SDK Boto3 คุณสามารถ pip ติดตั้งและใช้ฟังก์ชันตัวช่วยเพื่อดึงข้อมูลอินสแตนซ์ DICOM Service-Object คู่ (SOP) ได้ดังต่อไปนี้:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
อินสแตนซ์ SOP เอาต์พุตสามารถแสดงภาพได้โดยใช้โปรแกรมดูรูปภาพทางการแพทย์ 3 มิติแบบโต้ตอบ ซึ่งมีวิดเจ็ตดังต่อไปนี้ สมุดบันทึก. AHItoDICOM class ใช้ประโยชน์จากกระบวนการต่างๆ เพื่อดึงข้อมูลเฟรมพิกเซลจาก AWS HealthImaging แบบขนาน และ ถอดรหัส HTJ2K binary blobs โดยใช้โปรแกรม ไลบรารี Python OpenJPEG. ImageSetIds มาจากไฟล์เอาต์พุตของงานนำเข้า AWS HealthImaging ที่กำหนด ด้วย DatastoreId และนำเข้า JobId คุณสามารถดึง ImageSetId ซึ่งเทียบเท่ากับ UID อินสแตนซ์ซีรีส์ DICOM ได้ดังนี้:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
ด้วย ImageSetId คุณสามารถดึงข้อมูลเมตาส่วนหัว DICOM และพิกเซลรูปภาพแยกกันได้โดยใช้ฟังก์ชัน AWS HealthImaging API แบบเนทีฟ ที่ การรวมผู้ส่งออก DICOM ส่วนหัว DICOM และพิกเซลรูปภาพลงใน พีดีคอม ชุดข้อมูลซึ่งสามารถประมวลผลได้โดย ตัวดำเนินการโหลดข้อมูล MAP DICOM. ด้วยการใช้ฟังก์ชัน DICOMizeImageSet() เราได้สร้างตัวเชื่อมต่อเพื่อโหลดข้อมูลรูปภาพจาก AWS HealthImaging ตาม MAP ตัวดำเนินการโหลดข้อมูล DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
ในรหัสก่อนหน้า ahi_client
เป็นอินสแตนซ์ของคลาสผู้ส่งออก AHItoDICOM DICOM พร้อมภาพประกอบฟังก์ชันการดึงข้อมูล เราได้รวมตัวดำเนินการโหลดข้อมูลใหม่นี้ไว้ใน แอปพลิเคชัน AI การแบ่งส่วนม้าม 3 มิติที่สร้างโดย MONAI Deploy App SDK. ก่อนอื่น คุณสามารถสำรวจวิธีการสร้างและเรียกใช้แอปพลิเคชันนี้ได้ บนอินสแตนซ์สมุดบันทึกในเครื่องจากนั้นปรับใช้แอปพลิเคชัน MAP นี้ในจุดสิ้นสุดการอนุมานที่จัดการโดย SageMaker
SageMaker การอนุมานแบบอะซิงโครนัส
นักปราชญ์ การอนุมานแบบอะซิงโครนัส ตำแหน่งข้อมูลใช้สำหรับคำขอที่มีขนาดเพย์โหลดขนาดใหญ่ (สูงสุด 1 GB) เวลาการประมวลผลที่ยาวนาน (สูงสุด 15 นาที) และข้อกำหนดด้านเวลาแฝงที่เกือบจะเรียลไทม์ เมื่อไม่มีคำขอให้ดำเนินการ ตัวเลือกการปรับใช้นี้สามารถลดขนาดการนับอินสแตนซ์ให้เป็นศูนย์เพื่อประหยัดต้นทุน ซึ่งเหมาะอย่างยิ่งสำหรับปริมาณงานการอนุมาน ML การสร้างภาพทางการแพทย์ ทำตามขั้นตอนใน โน๊ตบุ๊คตัวอย่าง เพื่อสร้างและเรียกใช้จุดสิ้นสุดการอนุมานแบบอะซิงโครนัสของ SageMaker ถึง สร้างจุดสิ้นสุดการอนุมานแบบอะซิงโครนัสคุณจะต้องสร้างโมเดล SageMaker และการกำหนดค่าตำแหน่งข้อมูลก่อน หากต้องการสร้างโมเดล SageMaker คุณจะต้องโหลดแพ็คเกจ model.tar.gz ด้วย โครงสร้างไดเร็กทอรีที่กำหนด ลงในคอนเทนเนอร์นักเทียบท่า แพ็กเกจ model.tar.gz ประกอบด้วยไฟล์ model.ts การแบ่งส่วนม้ามที่ได้รับการฝึกไว้ล่วงหน้า และไฟล์ inference.py ที่กำหนดเอง เราได้ใช้คอนเทนเนอร์ที่สร้างไว้ล่วงหน้ากับเวอร์ชันเฟรมเวิร์ก Python 3.8 และ PyTorch 1.12.1 เพื่อโหลดโมเดลและเรียกใช้การคาดการณ์
ในการปรับแต่ง การอนุมาน.py เราจะสร้างอินสแตนซ์คลาสตัวช่วย AHItoDICOM จาก AHItoDICOMInterface และใช้เพื่อสร้างอินสแตนซ์ MAP ใน model_fn()
และเราเรียกใช้แอปพลิเคชัน MAP ในทุกคำขอการอนุมานใน predict_fn()
ฟังก์ชั่น:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
ไปยัง เรียกใช้จุดสิ้นสุดแบบอะซิงโครนัสคุณจะต้องอัปโหลดเพย์โหลดอินพุตของคำขอไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ซึ่งเป็นไฟล์ JSON ที่ระบุรหัสพื้นที่เก็บข้อมูล AWS HealthImaging และ ImageSet ID เพื่อเรียกใช้การอนุมาน:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
ผลลัพธ์สามารถพบได้ใน Amazon S3 เช่นกัน
การอนุมานแบบเรียลไทม์หลายโมเดลของ SageMaker
SageMaker การอนุมานตามเวลาจริง อุปกรณ์ปลายทางตอบสนองความต้องการแบบโต้ตอบและมีเวลาแฝงต่ำ ตัวเลือกนี้สามารถโฮสต์หลายโมเดลในคอนเทนเนอร์เดียวหลังตำแหน่งข้อมูลเดียว ซึ่งเป็นโซลูชันที่ปรับขนาดได้และคุ้มต้นทุนสำหรับการปรับใช้โมเดล ML หลายตัว ก ตำแหน่งข้อมูลหลายรุ่นของ SageMaker ใช้ NVIDIA Triton Inference Server ด้วย GPU เพื่อเรียกใช้การอนุมานโมเดลการเรียนรู้เชิงลึกหลายรายการ
ในส่วนนี้ เราจะอธิบายวิธีสร้างและเรียกใช้ตำแหน่งข้อมูลหลายโมเดล ปรับใช้คอนเทนเนอร์อนุมานของคุณเอง ในต่อไปนี้ โน๊ตบุ๊คตัวอย่าง. โมเดลต่างๆ สามารถให้บริการได้ในคอนเทนเนอร์ที่ใช้ร่วมกันบนฟลีตทรัพยากรเดียวกัน ตำแหน่งข้อมูลหลายรุ่นช่วยลดค่าใช้จ่ายในการปรับใช้และปรับขนาดการอนุมานแบบจำลองตามรูปแบบการรับส่งข้อมูลไปยังตำแหน่งข้อมูล เราใช้ เครื่องมือสำหรับนักพัฒนา AWS รวมทั้ง Amazon CodeCommit, Amazon Code สร้างและ Amazon CodePipeline ที่จะสร้าง คอนเทนเนอร์ที่กำหนดเอง สำหรับการอนุมานโมเดล SageMaker เราเตรียมก model_handler.py เพื่อนำคอนเทนเนอร์ของคุณเองมาใช้แทนไฟล์ inference.py ในตัวอย่างก่อนหน้านี้ และใช้ฟังก์ชัน Initialize(), preprocess() และ inference()
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
หลังจากสร้างตู้คอนเทนเนอร์แล้วดันลงไป การลงทะเบียน Amazon Elastic Container (Amazon ECR) คุณสามารถสร้างโมเดล SageMaker ได้ รวมถึงแพ็คเกจโมเดลต่างๆ (ไฟล์ tar.gz) ในพาธ Amazon S3 ที่กำหนด:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
เป็นที่น่าสังเกตว่า model_url
ในที่นี้จะระบุเส้นทางไปยังโฟลเดอร์ของไฟล์ tar.gz เท่านั้น และคุณระบุแพ็คเกจโมเดลที่จะใช้สำหรับการอนุมานเมื่อคุณเรียกใช้ตำแหน่งข้อมูล ดังที่แสดงในโค้ดต่อไปนี้:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
เราสามารถเพิ่มโมเดลเพิ่มเติมให้กับจุดสิ้นสุดการอนุมานหลายรุ่นที่มีอยู่ โดยไม่ต้องอัปเดตจุดสิ้นสุดหรือสร้างใหม่
ทำความสะอาด
อย่าลืมกรอก ลบทรัพยากรโฮสติ้ง ก้าวเข้าสู่ แล็บ-3 และ แล็บ-4 สมุดบันทึกเพื่อลบจุดสิ้นสุดการอนุมานของ SageMaker คุณควรปิดอินสแตนซ์โน้ตบุ๊ก SageMaker เพื่อประหยัดค่าใช้จ่ายเช่นกัน สุดท้าย คุณสามารถเรียกใช้ฟังก์ชัน AWS HealthImaging API หรือใช้คอนโซล AWS HealthImaging เพื่อลบชุดอิมเมจและที่เก็บข้อมูลที่สร้างขึ้นก่อนหน้านี้:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
สรุป
ในโพสต์นี้ เราได้แสดงให้คุณเห็นถึงวิธีสร้างตัวเชื่อมต่อ MAP ไปยัง AWS HealthImaging ซึ่งสามารถนำมาใช้ซ้ำได้ในแอปพลิเคชันที่สร้างด้วย MONAI Deploy App SDK เพื่อผสานรวมกับและเร่งการดึงข้อมูลรูปภาพจากร้านค้า DICOM แบบเนทีฟบนคลาวด์ไปจนถึงปริมาณงาน AI เกี่ยวกับภาพทางการแพทย์ . MONAI Deploy SDK สามารถใช้สนับสนุนการดำเนินงานของโรงพยาบาลได้ นอกจากนี้เรายังสาธิตตัวเลือกการโฮสต์สองตัวเลือกเพื่อปรับใช้แอปพลิเคชัน MAP AI บน SageMaker ในวงกว้าง
ดูตัวอย่างสมุดบันทึกใน พื้นที่เก็บข้อมูล GitHub เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีการปรับใช้แอปพลิเคชัน MONAI บน SageMaker ด้วยอิมเมจทางการแพทย์ที่จัดเก็บไว้ใน AWS HealthImaging หากต้องการทราบว่า AWS สามารถทำอะไรให้คุณได้บ้าง โปรดติดต่อ ตัวแทนของ AWS.
สำหรับแหล่งข้อมูลเพิ่มเติม โปรดดูที่ต่อไปนี้:
เกี่ยวกับผู้เขียน
หมิง (เมลวิน) ฉิน เป็นผู้มีส่วนร่วมอิสระในทีมการดูแลสุขภาพของ NVIDIA โดยมุ่งเน้นที่การพัฒนาเฟรมเวิร์กและแพลตฟอร์มแอปพลิเคชันการอนุมาน AI เพื่อนำ AI มาสู่เวิร์กโฟลว์การสร้างภาพทางการแพทย์ ก่อนที่จะมาร่วมงานกับ NVIDIA ในปี 2018 ในฐานะสมาชิกผู้ก่อตั้ง Clara Ming ใช้เวลา 15 ปีในการพัฒนา Radiology PACS และ Workflow SaaS ในตำแหน่งหัวหน้าวิศวกร/สถาปนิกที่ Stentor Inc. ซึ่งต่อมาถูกซื้อกิจการโดย Philips Healthcare เพื่อก่อตั้ง Enterprise Imaging
เดวิด เบริกัต เป็นผู้จัดการผลิตภัณฑ์ด้านการดูแลสุขภาพที่ NVIDIA ซึ่งเขาเป็นผู้นำคณะทำงาน Project MONAI Deploy เพื่อนำ AI จากการวิจัยไปสู่การใช้งานทางคลินิก ความหลงใหลของเขาคือการเร่งสร้างนวัตกรรมด้านสุขภาพไปทั่วโลกเพื่อแปลให้เกิดผลกระทบทางคลินิกอย่างแท้จริง ก่อนหน้านี้ David ทำงานที่ Red Hat โดยใช้หลักการโอเพ่นซอร์สที่จุดบรรจบของ AI, คลาวด์, การประมวลผลแบบเอดจ์ และ IoT ช่วงเวลาที่น่าภาคภูมิใจที่สุดของเขา ได้แก่ การเดินป่าไปยังเบสแคมป์ของ Everest และเล่นฟุตบอลมานานกว่า 20 ปี
แบรด เจเนอโรซ์ คือ Global Lead, Healthcare Alliances ที่ NVIDIA ซึ่งเขารับผิดชอบด้านความสัมพันธ์ของนักพัฒนาโดยมุ่งเน้นในด้านการสร้างภาพทางการแพทย์เพื่อเร่งปัญญาประดิษฐ์และการเรียนรู้เชิงลึก การสร้างภาพ การจำลองเสมือน และโซลูชันการวิเคราะห์ Brad เผยแพร่การนำไปใช้อย่างแพร่หลายและการบูรณาการขั้นตอนการทำงานด้านการดูแลสุขภาพและการถ่ายภาพทางการแพทย์ที่ราบรื่นเข้ากับการปฏิบัติงานทางคลินิกในชีวิตประจำวัน ด้วยประสบการณ์มากกว่า 20 ปีในด้านไอทีด้านการดูแลสุขภาพ
กังฟู เป็นสถาปนิกโซลูชันด้านการดูแลสุขภาพที่ AWS เขาสำเร็จการศึกษาระดับปริญญาเอกสาขาเภสัชศาสตร์จากมหาวิทยาลัยมิสซิสซิปปี้ และมีประสบการณ์ด้านเทคโนโลยีและการวิจัยชีวการแพทย์มากกว่า 10 ปี เขามีความหลงใหลในเทคโนโลยีและผลกระทบที่มีต่อการดูแลสุขภาพ
เจพี เลเกอร์ เป็นสถาปนิกโซลูชันอาวุโสที่สนับสนุนศูนย์การแพทย์เชิงวิชาการและเวิร์กโฟลว์การถ่ายภาพทางการแพทย์ที่ AWS เขามีความเชี่ยวชาญมากกว่า 20 ปีในด้านวิศวกรรมซอฟต์แวร์ ไอทีด้านการดูแลสุขภาพ และการสร้างภาพทางการแพทย์ โดยมีประสบการณ์กว้างขวางในการออกแบบระบบเพื่อประสิทธิภาพ ความสามารถในการปรับขนาด และการรักษาความปลอดภัยในการปรับใช้ข้อมูลขนาดใหญ่แบบกระจายในสถานที่ ในระบบคลาวด์ และแบบผสมผสานกับการวิเคราะห์และ AI .
คริส ฮาฟีย์ เป็น Principal Solutions Architect ที่ Amazon Web Services เขามีประสบการณ์มากกว่า 25 ปีในอุตสาหกรรมการถ่ายภาพทางการแพทย์ และเชี่ยวชาญในการสร้างระบบประสิทธิภาพสูงที่ปรับขนาดได้ เขาเป็นผู้สร้างโปรเจ็กต์โอเพ่นซอร์ส CornerstoneJS ยอดนิยม ซึ่งขับเคลื่อนโปรแกรมดู Zero Footprint ของ OHIF โอเพ่นซอร์สยอดนิยม เขามีส่วนร่วมในข้อกำหนด DICOMweb และยังคงทำงานเพื่อปรับปรุงประสิทธิภาพสำหรับการดูบนเว็บต่อไป
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 12
- 15%
- 20
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- เกี่ยวกับเรา
- นักวิชาการ
- เร่งความเร็ว
- เร่ง
- เข้า
- สามารถเข้าถึงได้
- ลงชื่อเข้าใช้
- ที่ได้มา
- ข้าม
- เพิ่ม
- เพิ่มเติม
- การนำมาใช้
- ความได้เปรียบ
- ราคาไม่แพง
- AI
- โมเดล AI
- การแจ้งเตือน
- อัลกอริทึม
- ทั้งหมด
- พันธมิตร
- อนุญาต
- ด้วย
- อเมซอน
- Amazon Web Services
- an
- การวิเคราะห์
- และ
- API
- การเข้าถึง API
- APIs
- app
- การใช้งาน
- การใช้งาน
- สถาปัตยกรรม
- เป็น
- เทียม
- ปัญญาประดิษฐ์
- AS
- At
- แอตทริบิวต์
- อัตโนมัติ
- ใช้ได้
- AWS
- ฐาน
- ตาม
- BE
- ก่อน
- หลัง
- ชีวการแพทย์
- ร่างกาย
- ทั้งสอง
- แบรด
- นวัตกรรม
- นำมาซึ่ง
- สร้าง
- การก่อสร้าง
- สร้าง
- built-in
- by
- โทรศัพท์
- ค่าย
- CAN
- ซึ่ง
- กรณี
- ศูนย์
- ศูนย์
- คลารา
- ชั้น
- คลินิก
- เมฆ
- รหัส
- อย่างไร
- สมบูรณ์
- ประกอบด้วย
- การคำนวณ
- องค์ประกอบ
- การเชื่อมต่อ
- ปลอบใจ
- สมาคม
- ติดต่อเรา
- ภาชนะ
- มี
- เนื้อหา
- สิ่งแวดล้อม
- อย่างต่อเนื่อง
- ส่วน
- ผู้สนับสนุน
- ราคา
- ประหยัดค่าใช้จ่าย
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- ค่าใช้จ่าย
- หน้าปก
- เขียนร่วม
- สร้าง
- ที่สร้างขึ้น
- ผู้สร้าง
- การปรับแต่ง
- ข้อมูล
- ศูนย์ข้อมูล
- เดวิด
- ลึก
- การเรียนรู้ลึก ๆ
- สาธิต
- แสดงให้เห็นถึง
- ปรับใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- dev
- พัฒนา
- ผู้พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- ต่าง
- กระจาย
- do
- นักเทียบท่า
- เอกสาร
- ลง
- ก่อน
- ขอบ
- การคำนวณที่ทันสมัย
- ที่มีประสิทธิภาพ
- ทั้ง
- อื่น
- ช่วยให้
- จบสิ้น
- ปลายทาง
- ชั้นเยี่ยม
- Enterprise
- สภาพแวดล้อม
- เท่ากัน
- เอเวอร์เรส
- ทุกๆ
- ทุกวัน
- ตัวอย่าง
- ยกเว้น
- ที่มีอยู่
- ประสบการณ์
- ความชำนาญ
- สำรวจ
- กว้างขวาง
- ประสบการณ์ที่กว้างขวาง
- อย่างยิ่ง
- เท็จ
- FAST
- เนื้อไม่มีมัน
- ไฟล์
- ในที่สุด
- ชื่อจริง
- FLEET
- โฟกัส
- มุ่งเน้น
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- รอยพระบาท
- สำหรับ
- ฟอร์ม
- รูป
- พบ
- คำวินิจฉัย
- กรอบ
- ราคาเริ่มต้นที่
- fu
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชันการทำงาน
- ฟังก์ชั่น
- GitHub
- กำหนด
- เหตุการณ์ที่
- ทั่วโลก
- GPU
- บัญชีกลุ่ม
- หมวก
- มี
- มี
- he
- ส่วนหัว
- สุขภาพ
- การดูแลสุขภาพ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ประสิทธิภาพสูง
- อย่างสูง
- ของเขา
- ถือ
- โรงพยาบาล
- เจ้าภาพ
- เป็นเจ้าภาพ
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- เป็นลูกผสม
- ID
- ในอุดมคติ
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- ภาพ
- ภาพ
- การถ่ายภาพ
- ส่งผลกระทบ
- การดำเนินการ
- การดำเนินการ
- นำเข้า
- การนำเข้า
- การปรับปรุง
- in
- อิงค์
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- อิสระ
- อุตสาหกรรม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- อินพุต
- ปัจจัยการผลิต
- ติดตั้ง
- ตัวอย่าง
- แทน
- รวบรวม
- บูรณาการ
- Intelligence
- การโต้ตอบ
- การตัด
- เข้าไป
- IOT
- ไอร์แลนด์
- IT
- ITS
- การสัมภาษณ์
- การร่วม
- jpg
- JSON
- คีย์
- ทราบ
- ใหญ่
- ความแอบแฝง
- ต่อมา
- นำ
- ผู้นำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- Line
- โหลด
- loader
- โหลด
- ในประเทศ
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- ส่วนใหญ่
- ทำ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- แผนที่
- แผนที่
- ทางการแพทย์
- พบ
- สมาชิก
- เมตาดาต้า
- ตัวชี้วัด
- นาที
- ML
- โหมด
- แบบ
- โมเดล
- โมดูล
- Moments
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- ปลายทางหลายรุ่น
- หลาย
- พื้นเมือง
- จำเป็นต้อง
- เครือข่าย
- เครือข่าย
- ใหม่
- ไม่
- ไม่มี
- ทางทิศเหนือ
- สมุดบันทึก
- น่าสังเกต
- Nvidia
- วัตถุ
- of
- เสนอ
- on
- ONE
- เพียง
- เปิด
- เปิดเครือข่าย open
- โอเพนซอร์ส
- การดำเนินการ
- ผู้ประกอบการ
- ผู้ประกอบการ
- การปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- Options
- or
- ออริกอน
- OS
- อื่นๆ
- เอาท์พุต
- เกิน
- ของตนเอง
- แพ็คเกจ
- แพคเกจ
- บรรจุภัณฑ์
- คู่
- Parallel
- กิเลส
- หลงใหล
- เส้นทาง
- รูปแบบ
- การปฏิบัติ
- การอนุญาต
- เภสัชกรรม
- phd
- ท่อ
- พิกเซล
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- บวก
- ยอดนิยม
- โพสต์
- ขับเคลื่อน
- อำนาจ
- การปฏิบัติ
- การคาดการณ์
- เตรียม
- ก่อน
- ก่อนหน้านี้
- หลัก
- หลักการ
- กระบวนการ
- แปรรูปแล้ว
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- การผลิต
- โครงการ
- คุณสมบัติ
- ให้
- ผลักดัน
- หลาม
- ไฟฉาย
- เรียลไทม์
- ความจริง
- รับ
- สีแดง
- หมวกสีแดง
- ลด
- อ้างอิง
- ภูมิภาค
- ภูมิภาค
- ความสัมพันธ์
- การแสดง
- ขอ
- การร้องขอ
- ความต้องการ
- ต้อง
- การวิจัย
- นักวิจัย
- แหล่งข้อมูล
- คำตอบ
- รับผิดชอบ
- กลับ
- นำมาใช้ใหม่
- วิ่ง
- วิ่ง
- s
- SaaS
- sagemaker
- การอนุมาน SageMaker
- เดียวกัน
- ลด
- เงินออม
- scalability
- ที่ปรับขนาดได้
- ขนาด
- ปรับ
- วิทยาศาสตร์
- SDK
- ไร้รอยต่อ
- Section
- ความปลอดภัย
- การแบ่งส่วน
- การเลือก
- ตนเอง
- ระดับอาวุโส
- ชุด
- ให้บริการ
- บริการ
- บริการ
- ชุดอุปกรณ์
- การตั้งค่า
- หลาย
- รูปร่าง
- ที่ใช้ร่วมกัน
- น่า
- แสดงให้เห็นว่า
- แสดง
- ง่าย
- ขนาด
- อย่างราบรื่น
- ฟุตบอล
- ซอฟต์แวร์
- วิศวกรรมซอฟต์แวร์
- ทางออก
- โซลูชัน
- แหล่ง
- ความเชี่ยวชาญ
- สเปค
- การใช้จ่าย
- มาตรฐาน
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- เชือก
- อย่างเช่น
- สนับสนุน
- ที่สนับสนุน
- ซิดนีย์
- ระบบ
- ใช้เวลา
- ทีม
- เทคโนโลยี
- การทดสอบ
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- ตลอด
- ครั้ง
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- ไปทาง
- การจราจร
- ไทรทัน
- จริง
- ลอง
- กลับ
- สอง
- แพร่หลาย
- มหาวิทยาลัย
- บันทึก
- ใช้
- มือสอง
- ผู้ใช้งาน
- ใช้
- การใช้
- ประโยชน์
- ความหลากหลาย
- รุ่น
- การดู
- virginia
- วิสัยทัศน์
- การสร้างภาพ
- เห็นภาพ
- ไดรฟ์
- W
- เดิน
- ต้องการ
- we
- เว็บ
- บริการเว็บ
- web-based
- ดี
- อะไร
- เมื่อ
- ที่
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- กลุ่มทำงาน
- ปี
- คุณ
- ของคุณ
- ลมทะเล
- เป็นศูนย์