การสร้างภาพทางการแพทย์บนคลาวด์โดยใช้โครงข่ายประสาทเทียมลึก

เทคนิคการถ่ายภาพทางการแพทย์ เช่น การตรวจเอกซเรย์คอมพิวเตอร์ (CT) การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) การถ่ายภาพเอ็กซเรย์ทางการแพทย์ การถ่ายภาพอัลตราซาวนด์ และอื่นๆ มักใช้โดยแพทย์ด้วยเหตุผลหลายประการ ตัวอย่างบางส่วน ได้แก่ การตรวจหาการเปลี่ยนแปลงในลักษณะของอวัยวะ เนื้อเยื่อ และหลอดเลือด และการตรวจหาความผิดปกติ เช่น เนื้องอกและพยาธิสภาพประเภทอื่นๆ

ก่อนที่แพทย์จะสามารถใช้ข้อมูลจากเทคนิคเหล่านั้นได้ ข้อมูลจำเป็นต้องเปลี่ยนจากรูปแบบดิบดั้งเดิมไปเป็นรูปแบบที่สามารถแสดงเป็นภาพบนหน้าจอคอมพิวเตอร์ได้

กระบวนการนี้เรียกว่า การสร้างภาพใหม่และมีบทบาทสำคัญในเวิร์กโฟลว์การถ่ายภาพทางการแพทย์ ซึ่งเป็นขั้นตอนที่สร้างภาพการวินิจฉัยที่แพทย์สามารถตรวจสอบได้

ในโพสต์นี้ เราจะพูดถึงกรณีการใช้งานของการสร้างภาพ MRI ขึ้นใหม่ แต่แนวคิดทางสถาปัตยกรรมสามารถนำไปใช้กับการสร้างภาพใหม่ประเภทอื่นๆ ได้

ความก้าวหน้าในด้านการสร้างภาพใหม่ได้นำไปสู่การประยุกต์ใช้เทคนิค AI ที่ประสบความสำเร็จภายในการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MR) เทคนิคเหล่านี้มีเป้าหมายเพื่อเพิ่มความแม่นยำของการสร้างใหม่และในกรณีของ MR modality และลดเวลาที่ต้องใช้ในการสแกนทั้งหมด

ภายใน MR แอปพลิเคชันที่ใช้ AI เพื่อทำงานกับการได้มาซึ่งไม่ได้สุ่มตัวอย่างนั้นประสบความสำเร็จในการใช้งาน สามารถลดเวลาในการสแกนได้เกือบสิบเท่า.

เวลาในการรอตรวจ เช่น MRI และ CT scan เพิ่มขึ้นอย่างรวดเร็วในช่วง XNUMX-XNUMX ปีที่ผ่านมา ส่งผลให้ รอนานถึง 3 เดือน. เพื่อให้แน่ใจว่ามีการดูแลผู้ป่วยที่ดี ความต้องการที่เพิ่มขึ้นสำหรับความพร้อมใช้งานอย่างรวดเร็วของอิมเมจที่สร้างขึ้นใหม่พร้อมกับความจำเป็นในการลดต้นทุนการดำเนินงานได้ผลักดันให้เกิดความต้องการโซลูชันที่สามารถปรับขนาดตามความต้องการในการจัดเก็บและการคำนวณ

นอกจากความต้องการด้านการคำนวณแล้ว การเติบโตของข้อมูลยังเพิ่มขึ้นอย่างต่อเนื่องในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่น การดูชุดข้อมูลที่จัดทำขึ้นโดย การประมวลผลภาพทางการแพทย์และการแทรกแซงโดยใช้คอมพิวเตอร์ช่วย (MICCAI)เป็นไปได้ที่จะรวบรวมว่าการเติบโตต่อปีคือ 21% สำหรับ MRI, 24% สำหรับ CT และ 31% สำหรับ MRI เชิงหน้าที่ (fMRI) (ดูข้อมูลเพิ่มเติมได้ที่ การเติบโตของชุดข้อมูลในการวิจัยการวิเคราะห์ภาพทางการแพทย์.)

ในโพสต์นี้ เราจะแสดงสถาปัตยกรรมโซลูชันที่จัดการกับความท้าทายเหล่านี้ โซลูชันนี้สามารถช่วยให้ศูนย์วิจัย สถาบันสื่อกลาง และผู้ให้บริการด้านโมดิลิตีสามารถเข้าถึงความสามารถในการจัดเก็บข้อมูลแบบไม่จำกัด พลัง GPU ที่ปรับขนาดได้ การเข้าถึงข้อมูลที่รวดเร็วสำหรับการฝึกอบรมและการสร้างการเรียนรู้ของเครื่อง (ML) สภาพแวดล้อมการพัฒนา ML ที่ง่ายและรวดเร็ว และความสามารถในการ มีการแคชภายในองค์กรเพื่อความพร้อมใช้งานของข้อมูลภาพที่รวดเร็วและมีเวลาแฝงต่ำ

ภาพรวมโซลูชัน

วิธีการแก้ปัญหานี้ใช้เทคนิคการสร้าง MRI ใหม่ที่เรียกว่า เครือข่ายประสาทเทียมที่แข็งแกร่งสำหรับการแก้ไข k-space (รากิ). วิธีนี้มีข้อได้เปรียบเนื่องจากเป็นวิธีการสแกนเฉพาะและไม่ต้องการข้อมูลก่อนหน้าในการฝึกโครงข่ายประสาทเทียม ข้อเสียของเทคนิคนี้คือต้องใช้พลังในการคำนวณจำนวนมากจึงจะมีประสิทธิภาพ

สถาปัตยกรรม AWS ที่ร่างไว้แสดงให้เห็นว่าวิธีการสร้างใหม่บนคลาวด์สามารถทำงานที่ต้องใช้การคำนวณอย่างมีประสิทธิภาพ เช่น งานที่จำเป็นโดยโครงข่ายประสาทเทียม RAKI ได้อย่างไร ปรับขนาดตามโหลดและเร่งกระบวนการสร้างใหม่ นี่เป็นการเปิดประตูสู่เทคนิคที่ไม่สามารถนำไปใช้ได้จริงในสถานที่

ชั้นข้อมูล

ชั้นข้อมูลได้รับการออกแบบตามหลักการต่อไปนี้:

• การผสานรวมอย่างไร้รอยต่อกับรูปแบบที่จัดเก็บข้อมูลที่สร้างขึ้นในไดรฟ์จัดเก็บข้อมูลที่แนบมาผ่านการแชร์เครือข่ายบนอุปกรณ์ NAS
• ความสามารถในการจัดเก็บข้อมูลที่ไร้ขีดจำกัดและปลอดภัยเพื่อปรับขนาดตามความต้องการอย่างต่อเนื่องของพื้นที่จัดเก็บ
• ความพร้อมใช้งานของพื้นที่จัดเก็บที่รวดเร็วสำหรับเวิร์กโหลด ML เช่น การฝึกระบบประสาทเชิงลึกและการสร้างภาพประสาทขึ้นใหม่
• ความสามารถในการเก็บข้อมูลประวัติโดยใช้วิธีต้นทุนต่ำและปรับขนาดได้
• อนุญาตความพร้อมใช้งานให้กับข้อมูลที่สร้างขึ้นใหม่ที่มีการเข้าถึงบ่อยที่สุด ในขณะเดียวกันก็รักษาข้อมูลที่เข้าถึงได้บ่อยน้อยกว่าด้วยต้นทุนที่ต่ำกว่า

ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมนี้

วิธีการนี้ใช้บริการต่อไปนี้:

• เกตเวย์การจัดเก็บข้อมูล AWS สำหรับการผสานรวมอย่างราบรื่นกับรูปแบบภายในองค์กรที่แลกเปลี่ยนข้อมูลผ่านระบบแชร์ไฟล์ สิ่งนี้ทำให้สามารถเข้าถึงความสามารถของพื้นที่จัดเก็บ AWS Cloud ต่อไปนี้ได้อย่างโปร่งใส ในขณะที่รักษาวิธีการแลกเปลี่ยนข้อมูลแบบโมเดอเรชัน:
  • อัปโหลดไดรฟ์ข้อมูลบนคลาวด์อย่างรวดเร็วที่สร้างโดยกิริยา MR
  • การเข้าถึงการศึกษา MR ที่สร้างใหม่ที่ใช้บ่อยโดยใช้เวลาแฝงต่ำผ่านการแคชภายในที่นำเสนอโดย Storage Gateway
• อเมซอน SageMaker สำหรับพื้นที่เก็บข้อมูลบนคลาวด์ที่ไม่จำกัดและปรับขนาดได้ Amazon S3 ยังให้ข้อมูล MRI ดิบในอดีตที่มีต้นทุนต่ำในการเก็บถาวรแบบเจาะลึกด้วย ธารน้ำแข็ง Amazon S3และชั้นจัดเก็บข้อมูลอัจฉริยะสำหรับ MRI ที่สร้างขึ้นใหม่ด้วย การจัดระดับอัจฉริยะของ Amazon S3.
• Amazon FSx สำหรับความมันวาว สำหรับพื้นที่จัดเก็บข้อมูลระดับกลางที่รวดเร็วและปรับขนาดได้ ซึ่งใช้สำหรับการฝึกอบรม ML และงานสร้างใหม่

รูปต่อไปนี้แสดงสถาปัตยกรรมที่กระชับอธิบายการแลกเปลี่ยนข้อมูลระหว่างสภาพแวดล้อมระบบคลาวด์

การใช้ Storage Gateway กับกลไกการแคชช่วยให้แอปพลิเคชันภายในองค์กรสามารถเข้าถึงข้อมูลที่มีอยู่ในแคชภายในเครื่องได้อย่างรวดเร็ว สิ่งนี้เกิดขึ้นในขณะที่ให้การเข้าถึงพื้นที่เก็บข้อมูลที่ปรับขนาดได้บนคลาวด์

ด้วยวิธีการนี้ โมดูลต่างๆ สามารถสร้างข้อมูลดิบจากงานการจัดหา รวมทั้งเขียนข้อมูลดิบลงในเครือข่ายที่ใช้ร่วมกันที่จัดการจาก Storage Gateway

หากวิธีการสร้างไฟล์หลายไฟล์ที่เป็นของการสแกนเดียวกัน ขอแนะนำให้สร้างไฟล์เก็บถาวรไฟล์เดียว (เช่น .tar) และทำการถ่ายโอนไฟล์เดียวไปยังเครือข่ายที่ใช้ร่วมกันเพื่อเร่งการถ่ายโอนข้อมูล

เลเยอร์การบีบอัดและการแปลงข้อมูล

ชั้นการบีบอัดข้อมูลจะรับข้อมูลดิบ ดำเนินการบีบอัดโดยอัตโนมัติ และใช้การแปลงที่เป็นไปได้กับข้อมูลดิบก่อนที่จะส่งข้อมูลที่ประมวลผลล่วงหน้าไปยังชั้นการสร้างใหม่

สถาปัตยกรรมที่นำมาใช้แสดงไว้ในภาพต่อไปนี้

ในสถาปัตยกรรมนี้ ข้อมูล MRI ดิบจะลงจอดในบัคเก็ต MRI S3 ดิบ ซึ่งจะเป็นการเรียกรายการใหม่เข้ามา บริการ Amazon Simple Queue (อเมซอน SQS).

An AWS แลมบ์ดา ฟังก์ชันดึงความลึกของคิว MRI Amazon SQS แบบดิบ ซึ่งแสดงถึงจำนวนการได้มาของ MRI แบบดิบที่อัปโหลดไปยัง AWS Cloud นี้ใช้กับ AWS ฟาร์เกต เพื่อปรับขนาดโดยอัตโนมัติ บริการ Amazon Elastic Container (Amazon ECS) คลัสเตอร์

วิธีการทางสถาปัตยกรรมนี้ช่วยให้ปรับขนาดขึ้นและลงโดยอัตโนมัติตามจำนวนของการสแกนดิบที่เข้าสู่บัคเก็ตอินพุตดิบ

หลังจากที่ข้อมูล MRI ดิบถูกคลายและประมวลผลล่วงหน้า ข้อมูลจะถูกบันทึกลงในบัคเก็ต S3 อีกชุดหนึ่งเพื่อให้สามารถสร้างขึ้นใหม่ได้

ชั้นการพัฒนาแบบจำลองประสาท

ชั้นการพัฒนาแบบจำลองประสาทประกอบด้วยการนำ RAKI ไปใช้ สิ่งนี้สร้างแบบจำลองโครงข่ายประสาทเทียมเพื่อให้สามารถสร้างภาพใหม่ได้อย่างรวดเร็วของข้อมูลดิบด้วยคลื่นสนามแม่เหล็กที่สุ่มตัวอย่าง

รูปต่อไปนี้แสดงสถาปัตยกรรมที่ตระหนักถึงการพัฒนาแบบจำลองประสาทและการสร้างคอนเทนเนอร์

ในสถาปัตยกรรมนี้ อเมซอน SageMaker ใช้เพื่อพัฒนาแบบจำลองประสาท RAKI และพร้อมกันเพื่อสร้างคอนเทนเนอร์ที่จะใช้ในการดำเนินการสร้าง MRI ขึ้นใหม่ในภายหลัง

จากนั้นคอนเทนเนอร์ที่สร้างขึ้นจะรวมอยู่ในการจัดการเต็มรูปแบบ การลงทะเบียน Amazon Elastic Container พื้นที่เก็บข้อมูล (Amazon ECR) เพื่อให้สามารถแยกงานสร้างใหม่ได้

รับประกันการจัดเก็บข้อมูลที่รวดเร็วโดยการยอมรับของ Amazon FSx สำหรับความมันวาว. ให้เวลาแฝงที่ต่ำกว่ามิลลิวินาที ทรูพุตสูงสุดหลายร้อย GBps และ IOPS สูงสุดหลายล้านรายการ วิธีการนี้ช่วยให้ SageMaker เข้าถึงโซลูชันพื้นที่เก็บข้อมูลที่คุ้มค่า ประสิทธิภาพสูง และปรับขนาดได้

ชั้นการสร้างใหม่ของ MRI

การสร้าง MRI ขึ้นใหม่โดยใช้โครงข่ายประสาทเทียม RAKI ได้รับการจัดการโดยสถาปัตยกรรมที่แสดงในแผนภาพต่อไปนี้

ด้วยรูปแบบสถาปัตยกรรมเดียวกันที่ใช้ในชั้นคลายการบีบอัดและการประมวลผลล่วงหน้า ชั้นการสร้างใหม่จะปรับขนาดขึ้นและลงโดยอัตโนมัติโดยการวิเคราะห์ความลึกของคิวที่รับผิดชอบในการเก็บคำขอการสร้างใหม่ทั้งหมด ในกรณีนี้ หากต้องการเปิดใช้งานการรองรับ GPU ชุด AWS ใช้เพื่อเรียกใช้งานการสร้างใหม่ของ MRI

Amazon FSx for Luster ใช้เพื่อแลกเปลี่ยนข้อมูลจำนวนมากที่เกี่ยวข้องกับการได้รับ MRI นอกจากนี้ เมื่องานสร้างใหม่เสร็จสมบูรณ์และข้อมูล MRI ที่สร้างใหม่ถูกจัดเก็บไว้ในบัคเก็ต S3 เป้าหมาย สถาปัตยกรรมที่ใช้จะขอรีเฟรชเกตเวย์พื้นที่เก็บข้อมูลโดยอัตโนมัติ สิ่งนี้ทำให้ข้อมูลที่สร้างขึ้นใหม่พร้อมใช้งานสำหรับสิ่งอำนวยความสะดวกในสถานที่

สถาปัตยกรรมและผลลัพธ์โดยรวม

สถาปัตยกรรมโดยรวมแสดงในรูปต่อไปนี้

เราใช้สถาปัตยกรรมที่อธิบายไว้ในงานสร้าง MRI ใหม่ด้วย ชุดข้อมูล ขนาดประมาณ 2.4 GB

ใช้เวลาประมาณ 210 วินาทีในการฝึกชุดข้อมูล 221 ชุด รวมข้อมูลดิบทั้งหมด 514 GB บนโหนดเดียวที่ติดตั้ง Nvidia Tesla V100-SXM2-16GB

การฟื้นฟูหลังจากเครือข่าย RAKI ได้รับการฝึกอบรม ใช้เวลาเฉลี่ย 40 วินาทีบนโหนดเดียวที่ติดตั้ง Nvidia Tesla V100-SXM2-16GB

การประยุกต์ใช้สถาปัตยกรรมก่อนหน้านี้กับงานสร้างใหม่สามารถให้ผลลัพธ์ในรูปต่อไปนี้

ภาพแสดงให้เห็นว่าสามารถได้ผลลัพธ์ที่ดีด้วยเทคนิคการสร้างใหม่เช่น RAKI ยิ่งกว่านั้น การใช้เทคโนโลยีคลาวด์สามารถทำให้วิธีการที่ใช้การประมวลผลจำนวนมากเหล่านี้พร้อมใช้งานโดยไม่มีข้อจำกัดที่พบในโซลูชันภายในองค์กรที่พื้นที่จัดเก็บและทรัพยากรการคำนวณมีจำกัดอยู่เสมอ

สรุป

ด้วยเครื่องมือต่างๆ เช่น Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate และ Lambda เราสามารถสร้างสภาพแวดล้อมที่มีการจัดการที่ปรับขนาดได้ ปลอดภัย คุ้มทุน และสามารถทำงานที่ซับซ้อนได้ เช่น การสร้างภาพใหม่ตามขนาด

ในโพสต์นี้ เราได้สำรวจวิธีแก้ปัญหาที่เป็นไปได้สำหรับการสร้างรูปภาพขึ้นใหม่จากข้อมูล modality แบบดิบโดยใช้เทคนิคที่เน้นการคำนวณที่เรียกว่า RAKI: เทคนิคการเรียนรู้เชิงลึกที่ไม่มีฐานข้อมูลสำหรับการสร้างรูปภาพใหม่อย่างรวดเร็ว

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ AWS เร่งสร้างนวัตกรรมด้านการดูแลสุขภาพ โปรดไปที่ AWS เพื่อสุขภาพ.

อ้างอิง

---

เกี่ยวกับผู้เขียน

เบเนเดตโต คาโรลโล เป็นสถาปนิกโซลูชันอาวุโสด้านภาพทางการแพทย์และการดูแลสุขภาพที่ Amazon Web Services ในยุโรป ตะวันออกกลาง และแอฟริกา งานของเขามุ่งเน้นไปที่การช่วยเหลือลูกค้าด้านการถ่ายภาพทางการแพทย์และการดูแลสุขภาพในการแก้ปัญหาทางธุรกิจด้วยการใช้ประโยชน์จากเทคโนโลยี Benedetto มีประสบการณ์มากกว่า 15 ปีในด้านเทคโนโลยีและภาพทางการแพทย์ และเคยทำงานให้กับบริษัทต่างๆ เช่น Canon Medical Research และ Vital Images Benedetto สำเร็จการศึกษาระดับปริญญาโทด้านวิศวกรรมซอฟต์แวร์จากมหาวิทยาลัยปาแลร์โม ประเทศอิตาลี