Bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MRI), tıbbi röntgen görüntüleme, ultrason görüntüleme ve diğerleri gibi tıbbi görüntüleme teknikleri, doktorlar tarafından çeşitli nedenlerle yaygın olarak kullanılmaktadır. Bazı örnekler arasında organların, dokuların ve damarların görünümündeki değişikliklerin tespit edilmesi ve tümörler ve diğer çeşitli patolojiler gibi anormalliklerin tespit edilmesi yer alır.
Doktorların bu tekniklerden elde edilen verileri kullanabilmesi için, verilerin doğal ham formundan bilgisayar ekranında görüntü olarak görüntülenebilecek bir forma dönüştürülmesi gerekiyor.
Bu süreç olarak bilinir görüntü yeniden yapılandırmasıve tıbbi görüntüleme iş akışında çok önemli bir rol oynar; daha sonra doktorlar tarafından incelenebilecek tanısal görüntüler oluşturan adımdır.
Bu yazıda MRI rekonstrüksiyonunun bir kullanım durumunu tartışıyoruz, ancak mimari kavramlar diğer görüntü rekonstrüksiyon türlerine de uygulanabilir.
Görüntü yeniden yapılandırma alanındaki ilerlemeler, yapay zeka tabanlı tekniklerin manyetik rezonans (MR) görüntülemede başarılı bir şekilde uygulanmasına yol açmıştır. Bu tekniklerin amacı, MR yöntemi durumunda yeniden yapılandırmanın doğruluğunu arttırmak ve tam tarama için gereken süreyi azaltmaktır.
MR içerisinde, yetersiz örneklenmiş kazanımlarla çalışmak için yapay zekayı kullanan uygulamalar başarıyla kullanıldı. tarama sürelerinde neredeyse on kat azalma elde edilmesi.
MR ve CT taramaları gibi testler için bekleme süreleri son birkaç yılda hızla arttı. 3 aya varan bekleme süreleri. İyi hasta bakımını sağlamak için, yeniden oluşturulan görüntülerin hızlı bir şekilde kullanılabilirliğine yönelik artan ihtiyaç ve operasyonel maliyetleri azaltma ihtiyacı, depolama ve hesaplama ihtiyaçlarına göre ölçeklenebilen bir çözüm ihtiyacını doğurmuştur.
Hesaplama gereksinimlerine ek olarak veri artışı da son birkaç yılda istikrarlı bir artış gösterdi. Örneğin, kullanıma sunulan veri kümelerine bakıldığında Tıbbi Görüntü Hesaplama ve Bilgisayar Destekli Müdahale (MICCAI)Buna göre yıllık büyümenin MR'da %21, BT'de %24, fonksiyonel MR'da (fMRI) ise %31 olduğunu söylemek mümkün. (Daha fazla bilgi için bkz. Tıbbi Görüntü Analizi Araştırmalarında Veri Kümesi Büyümesi.)
Bu yazıda size bu zorlukların üstesinden gelen bir çözüm mimarisi gösteriyoruz. Bu çözüm, araştırma merkezlerinin, medya kuruluşlarının ve modalite tedarikçilerinin sınırsız depolama özelliklerine, ölçeklenebilir GPU gücüne, makine öğrenimi (ML) eğitimi ve yeniden yapılandırma görevleri için hızlı veri erişimine, basit ve hızlı makine öğrenimi geliştirme ortamlarına ve hızlı ve düşük gecikmeli görüntü verisi kullanılabilirliği için şirket içi önbelleğe alma özelliğine sahiptir.
Çözüme genel bakış
Bu çözüm, şu şekilde bilinen bir MRI rekonstrüksiyon tekniğini kullanır: K-uzayı İnterpolasyonu için Sağlam Yapay Sinir Ağları (RAKI). Bu yaklaşım avantajlıdır çünkü taramaya özeldir ve sinir ağını eğitmek için önceden veri gerektirmez. Bu tekniğin dezavantajı, etkili olabilmesi için çok fazla hesaplama gücü gerektirmesidir.
Özetlenen AWS mimarisi, bulut tabanlı bir yeniden yapılandırma yaklaşımının, RAKI sinir ağının gerektirdiği gibi hesaplama ağırlıklı görevleri, yüke göre ölçeklendirerek ve yeniden yapılandırma sürecini hızlandırarak nasıl etkili bir şekilde gerçekleştirebileceğini gösteriyor. Bu, tesislerde gerçekçi bir şekilde uygulanamayacak tekniklere kapı açar.
Veri katmanı
Veri katmanı aşağıdaki ilkeler etrafında tasarlanmıştır:
- NAS cihazındaki bir ağ paylaşımı aracılığıyla oluşturulan verileri bağlı bir depolama sürücüsüne depolayan yöntemlerle sorunsuz entegrasyon
- Sürekli depolama alanı talebine göre ölçeklenebilecek sınırsız ve güvenli veri depolama yetenekleri
- Derin sinir eğitimi ve sinir görüntüsünün yeniden yapılandırılması gibi makine öğrenimi iş yükleri için hızlı depolama kullanılabilirliği
- Düşük maliyetli, ölçeklenebilir bir yaklaşım kullanarak geçmiş verileri arşivleme yeteneği
- En sık erişilen yeniden yapılandırılmış verilerin kullanılabilirliğine izin verirken aynı zamanda daha az sıklıkta erişilen verileri daha düşük bir maliyetle arşivlenmiş halde tutun
Aşağıdaki şema bu mimariyi göstermektedir.
Bu yaklaşım aşağıdaki hizmetleri kullanır:
- AWS Depolama Ağ Geçidi Bir dosya paylaşım sistemi aracılığıyla bilgi alışverişi yapan şirket içi yöntemle sorunsuz entegrasyon için. Bu, yöntemin veri alışverişi şeklini korurken aşağıdaki AWS Cloud depolama özelliklerine şeffaf erişim sağlar:
- MR yöntemiyle oluşturulan birimlerin hızlı buluta yüklenmesi.
- Storage Gateway tarafından sunulan yerel önbelleğe alma aracılığıyla sık kullanılan yeniden yapılandırılmış MR çalışmalarına düşük gecikmeli erişim.
- Amazon Adaçayı Yapıcı Sınırsız ve ölçeklenebilir bulut depolama için. Amazon S3 aynı zamanda düşük maliyetli, geçmişe yönelik ham MRI verilerinin derinlemesine arşivlenmesini sağlar. Amazon S3 Buzuluve yeniden yapılandırılmış MRI için akıllı bir depolama katmanı Amazon S3 Akıllı Katmanlama.
- Lustre için Amazon FSx ML eğitimi ve yeniden yapılandırma görevleri için kullanılan hızlı ve ölçeklenebilir ara depolama için.
Aşağıdaki şekil, bulut ortamları arasındaki veri alışverişini açıklayan kısa bir mimariyi göstermektedir.
Storage Gateway'in önbelleğe alma mekanizmasıyla kullanılması, şirket içi uygulamaların yerel önbellekte bulunan verilere hızla erişmesine olanak tanır. Bu, aynı anda buluttaki ölçeklenebilir depolama alanına erişim sağlarken gerçekleşir.
Bu yaklaşımla, yöntemler satın alma işlerinden ham veriler üretebilir ve ham verileri Storage Gateway'den işlenen bir ağ paylaşımına yazabilir.
Yöntem aynı taramaya ait birden fazla dosya oluşturursa, tek bir arşiv (örneğin.tar) oluşturmanız ve veri aktarımını hızlandırmak için ağ paylaşımına tek bir aktarım gerçekleştirmeniz önerilir.
Veri sıkıştırmasını açma ve dönüştürme katmanı
Veri sıkıştırmasını açma katmanı, ham verileri alır, otomatik olarak sıkıştırmayı açmayı gerçekleştirir ve önceden işlenmiş verileri yeniden yapılandırma katmanına göndermeden önce ham verilere potansiyel dönüşümleri uygular.
Benimsenen mimari aşağıdaki şekilde özetlenmiştir.
Bu mimaride, ham MRI verileri ham MRI S3 kümesine yerleşir ve böylece yeni bir girişi tetikler. Amazon Basit Kuyruk Hizmeti (Amazon SQS).
An AWS Lambda işlevi, AWS Cloud'a yüklenen ham MRI alımlarının miktarını temsil eden ham MRI Amazon SQS kuyruk derinliğini alır. Bu ile kullanılır AWS Fargate boyutunu otomatik olarak modüle etmek için Amazon Elastik Konteyner Hizmeti (Amazon ECS) kümesi.
Bu mimari yaklaşım, ham girdi kümesine gönderilen ham tarama sayısına göre ölçeğin otomatik olarak büyütülmesine ve küçültülmesine olanak tanır.
Ham MRI verileri sıkıştırıldıktan ve ön işleme tabi tutulduktan sonra yeniden oluşturulabilmesi için başka bir S3 klasörüne kaydedilir.
Sinir modeli geliştirme katmanı
Nöral model geliştirme katmanı bir RAKI uygulamasından oluşur. Bu, yetersiz örneklenmiş manyetik rezonans ham verilerinin hızlı görüntü yeniden yapılandırmasına olanak tanıyan bir sinir ağı modeli oluşturur.
Aşağıdaki şekil sinirsel model geliştirmeyi ve konteyner oluşturmayı gerçekleştiren mimariyi göstermektedir.
Bu mimaride, Amazon Adaçayı Yapıcı RAKI sinir modelini geliştirmek ve aynı zamanda daha sonra MRI rekonstrüksiyonunu gerçekleştirmek için kullanılacak kabı oluşturmak için kullanılır.
Daha sonra oluşturulan kapsayıcı, tam olarak yönetilen yönetime dahil edilir Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR) deposunu kullanarak yeniden yapılandırma görevlerini tamamlayabilir.
Hızlı veri depolama, benimsenmesiyle garanti edilir Lustre için Amazon FSx. Milisaniyenin altında gecikmeler, yüzlerce GBps'ye varan verim ve milyonlarca IOPS'ye kadar sağlar. Bu yaklaşım SageMaker'a uygun maliyetli, yüksek performanslı ve ölçeklenebilir bir depolama çözümüne erişim sağlar.
MRI rekonstrüksiyon katmanı
RAKI sinir ağını temel alan MRI rekonstrüksiyonu, aşağıdaki diyagramda gösterilen mimari tarafından gerçekleştirilir.
Sıkıştırmayı açma ve ön işleme katmanında benimsenen aynı mimari modelle yeniden yapılandırma katmanı, tüm yeniden yapılandırma isteklerini tutmaktan sorumlu kuyruğun derinliğini analiz ederek otomatik olarak ölçeklenir. Bu durumda GPU desteğini etkinleştirmek için, AWS Toplu İş MRI rekonstrüksiyon işlerini yürütmek için kullanılır.
Amazon FSx for Lustre, MRI alımında yer alan büyük miktarda veriyi paylaşmak için kullanılır. Ayrıca, yeniden yapılandırma işi tamamlandığında ve yeniden oluşturulan MRI verileri hedef S3 klasöründe depolandığında, kullanılan mimari otomatik olarak depolama ağ geçidinin yenilenmesini talep eder. Bu, yeniden oluşturulan verileri şirket içi tesisin kullanımına sunar.
Genel mimari ve sonuçlar
Genel mimari aşağıdaki şekilde gösterilmektedir.
Tanımlanan mimariyi MRI rekonstrüksiyon görevlerine uyguladık. veri kümeleri yaklaşık 2.4 GB boyutunda.
Nvidia Tesla V210-SXM221-514GB ile donatılmış tek bir düğümde toplam 100 GB ham veri olmak üzere 2 veri kümesini eğitmek yaklaşık 16 saniye sürdü.
RAKI ağı eğitildikten sonra yeniden yapılanma, Nvidia Tesla V40-SXM100-2GB ile donatılmış tek bir düğümde ortalama 16 saniye sürdü.
Önceki mimarinin bir yeniden inşa işine uygulanması, aşağıdaki şekildeki sonuçları verebilir.
Görüntü, RAKI gibi yeniden yapılandırma teknikleriyle iyi sonuçların elde edilebileceğini gösteriyor. Üstelik bulut teknolojisinin benimsenmesi, bu hesaplama ağırlıklı yaklaşımları, depolama ve hesaplama kaynaklarının her zaman sınırlı olduğu şirket içi çözümlerde bulunan sınırlamalar olmadan kullanılabilir hale getirebilir.
Sonuç
Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate ve Lambda gibi araçlarla ölçeklenebilir, güvenli, uygun maliyetli ve görüntü yeniden oluşturma gibi karmaşık görevleri uygun ölçekte gerçekleştirebilen, yönetilen bir ortam oluşturabiliriz.
Bu yazıda, hızlı görüntü yeniden yapılandırması için veri tabanından bağımsız bir derin öğrenme tekniği olan RAKI olarak bilinen yoğun hesaplamalı bir teknik kullanarak ham modalite verilerinden görüntü yeniden yapılandırması için olası bir çözümü araştırdık.
AWS'nin sağlık hizmetlerinde yeniliği nasıl hızlandırdığı hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: Sağlık için AWS.
Referanslar
Yazar hakkında
Benedetto Carollo Avrupa, Orta Doğu ve Afrika'daki Amazon Web Services'de tıbbi görüntüleme ve sağlık hizmetleri için Kıdemli Çözüm Mimarıdır. Çalışmaları, tıbbi görüntüleme ve sağlık hizmeti müşterilerinin teknolojiden yararlanarak iş sorunlarını çözmelerine yardımcı olmaya odaklanmaktadır. Benedetto, 15 yılı aşkın teknoloji ve tıbbi görüntüleme deneyimine sahiptir ve Canon Medical Research ve Vital Images gibi şirketler için çalışmıştır. Benedetto, İtalya'daki Palermo Üniversitesi'nden Yazılım Mühendisliği alanında yüksek lisans derecesini aldı.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- Amazon FSx
- Amazon Basit Depolama Hizmeti (S3)
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- AWS Depolama Ağ Geçidi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- dal-e
- derin öğrenme
- Uzman (400)
- google ai
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet