یہ پوسٹ NVIDIA سے منگ (Melvin) Qin، David Bericat اور Brad Genereaux کے ساتھ مل کر لکھی گئی ہے۔
میڈیکل امیجنگ AI کے محققین اور ڈویلپرز کو اپنی AI ایپلی کیشنز کی تعمیر، تعیناتی اور انضمام کے لیے ایک قابل توسیع، انٹرپرائز فریم ورک کی ضرورت ہے۔ AWS اور NVIDIA اس وژن کو حقیقت بنانے کے لیے اکٹھے ہوئے ہیں۔ AWS، NVIDIA، اور دیگر شراکت دار انٹرپرائز امیجنگ کے کلاؤڈ کنیکٹوٹی کو تیز کرکے صحت کی دیکھ بھال کو مزید قابل رسائی، سستی اور موثر بنانے کے لیے ایپلی کیشنز اور حل تیار کریں۔ MONAI تعینات کریں۔ کے اندر اہم ماڈیولز میں سے ایک ہے۔ مونائی (مصنوعی ذہانت کے لیے میڈیکل اوپن نیٹ ورک) NVIDIA سمیت تعلیمی اور صنعت کے رہنماؤں کے کنسورشیم کے ذریعے تیار کیا گیا ہے۔ اے ڈبلیو ایس ہیلتھ امیجنگ (AHI) ایک HIPAA- اہل، انتہائی قابل توسیع، کارکردگی دکھانے والا، اور لاگت سے موثر طبی تصویری اسٹور ہے۔ ہم نے میڈیکل امیجنگ AI ایپلی کیشنز کو کلاؤڈ-نیٹیو APIs کے ذریعے چلنے والے پیمانے پر سب سیکنڈ امیج ریٹریول لیٹنسیز کے ساتھ مربوط کرنے کے لیے AHI سے MONAI ڈیپلو کنیکٹر تیار کیا ہے۔ MONAI AI ماڈلز اور ایپلیکیشنز کی میزبانی کی جا سکتی ہے۔ ایمیزون سیج میکرجو کہ مشین لرننگ (ML) ماڈلز کو پیمانے پر تعینات کرنے کے لیے ایک مکمل طور پر منظم سروس ہے۔ SageMaker اندازہ کے لیے مثالوں کو ترتیب دینے اور ان کا نظم کرنے کا خیال رکھتا ہے اور اختتامی پوائنٹس کے لیے بلٹ ان میٹرکس اور لاگز فراہم کرتا ہے جسے آپ الرٹس کی نگرانی اور وصول کرنے کے لیے استعمال کر سکتے ہیں۔ یہ بھی ایک قسم کی پیشکش کرتا ہے NVIDIA GPU مثالیں۔ ML inference کے لیے، نیز خودکار اسکیلنگ کے ساتھ متعدد ماڈل کی تعیناتی کے اختیارات، بشمول حقیقی وقت کا اندازہ, سرور کے بغیر اندازہ, متضاد تخمینہ، اور بیچ کی تبدیلی.
اس پوسٹ میں، ہم یہ ظاہر کرتے ہیں کہ AWS HealthImaging کے کنیکٹر کے ساتھ MONAI ایپلیکیشن پیکج (MAP) کو کیسے تعینات کیا جائے، ریئل ٹائم انفرنس اور غیر سنکرونس انفرنس کے لیے SageMaker ملٹی ماڈل اینڈ پوائنٹ کا استعمال کریں۔ یہ دو اختیارات قریب قریب ریئل ٹائم میڈیکل امیجنگ انفرنس پائپ لائن کے استعمال کے معاملات کا احاطہ کرتے ہیں۔
حل جائزہ
مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔
شرائط
درج ذیل ضروری مراحل کو مکمل کریں:
- مندرجہ ذیل علاقوں میں سے کسی ایک کے ساتھ AWS اکاؤنٹ استعمال کریں، جہاں AWS HealthImaging دستیاب ہے: شمالی ورجینیا (
us-east-1
اوریگون (us-west-2
)، آئرلینڈ (eu-west-1
)، اور سڈنی (ap-southeast-2
). - بنائیں ایک ایمیزون سیج میکر اسٹوڈیو ڈومین اور صارف پروفائل ساتھ AWS شناخت اور رسائی کا انتظام (IAM) کو AWS ہیلتھ امیجنگ تک رسائی کی اجازت۔
- JupyterLab v3 ایکسٹینشن کو فعال کریں۔ اور Imjoy-jupyter-extension انسٹال کریں اگر آپ SageMaker نوٹ بک پر انٹرایکٹو استعمال کرتے ہوئے طبی تصاویر کو دیکھنا چاہتے ہیں itkwidgets.
AWS ہیلتھ امیجنگ سے MAP کنیکٹر
AWS HealthImaging DICOM P10 فائلوں کو درآمد کرتا ہے اور انہیں ImageSets میں تبدیل کرتا ہے، جو DICOM سیریز کی بہترین نمائندگی ہے۔ AHI امیج سیٹ میٹا ڈیٹا اور امیج فریمز تک API رسائی فراہم کرتا ہے۔ میٹا ڈیٹا JSON دستاویز میں تمام DICOM اوصاف پر مشتمل ہے۔ امیج فریم کو میں انکوڈ کرکے واپس کیا جاتا ہے۔ ہائی تھرو پٹ JPEG2000 (HTJ2K) لازلیس فارمیٹ، جسے انتہائی تیزی سے ڈی کوڈ کیا جا سکتا ہے۔ امیج سیٹس کو استعمال کرکے بازیافت کیا جاسکتا ہے۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) یا AWS SDKs۔.
MONAI ایک میڈیکل امیجنگ AI فریم ورک ہے جو تحقیقی کامیابیوں اور AI ایپلی کیشنز کو طبی اثرات میں لے جاتا ہے۔ MONAI Deploy ایک پروسیسنگ پائپ لائن ہے جو آخر سے آخر تک ورک فلو کو قابل بناتی ہے، بشمول پیکیجنگ، ٹیسٹنگ، تعیناتی، اور طبی امیجنگ AI ایپلی کیشنز کو کلینکل پروڈکشن میں چلانا۔ اس پر مشتمل ہے۔ مونائی ایپ SDK تعینات کریں، MONAI تعیناتی ایکسپریس, ورک فلو مینیجر، اور انفارمیٹکس گیٹ وے. MONAI Deploy App SDK میڈیکل امیجنگ AI ایپلی کیشنز کی تعمیر کو تیز کرنے کے لیے استعمال کے لیے تیار الگورتھم اور ایک فریم ورک فراہم کرتا ہے، نیز ایپلیکیشن کو MAP کنٹینر میں پیک کرنے کے لیے یوٹیلیٹی ٹولز۔ ایپ SDK میں بلٹ ان معیارات پر مبنی فعالیتیں MAP کو آسانی سے ہیلتھ IT نیٹ ورکس میں ضم ہونے دیتی ہیں، جس کے لیے DICOM، HL7، اور FHIR اور ڈیٹا سینٹر اور کلاؤڈ ماحول میں معیارات کے استعمال کی ضرورت ہوتی ہے۔ MAPs DICOM امیج لوڈنگ، سیریز سلیکشن، ماڈل انفرنس، اور پوسٹ پروسیسنگ کے لیے پہلے سے طے شدہ اور حسب ضرورت آپریٹرز دونوں استعمال کر سکتے ہیں۔
ہم نے ایک تیار کیا ہے ازگر ماڈیول AWS HealthImaging Python SDK Boto3 کا استعمال کرتے ہوئے آپ اسے پائپ انسٹال کر سکتے ہیں اور DICOM سروس آبجیکٹ پیئر (SOP) مثالوں کو بازیافت کرنے کے لیے مددگار فنکشن کا استعمال کر سکتے ہیں:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
مندرجہ ذیل میں انٹرایکٹو 3D میڈیکل امیج ویور itkwidgets کا استعمال کرتے ہوئے آؤٹ پٹ SOP مثالوں کو دیکھا جا سکتا ہے۔ نوٹ بک. AHItoDICOM کلاس متوازی طور پر AWS HealthImaging سے پکسل فریم بازیافت کرنے کے لیے متعدد عملوں کا فائدہ اٹھاتی ہے، اور ڈوڈ آؤٹ la HTJ2K بائنری بلابس کا استعمال کرتے ہوئے ازگر اوپن جے پی ای جی لائبریری. ImageSetIds دی گئی AWS HealthImaging امپورٹ جاب کی آؤٹ پٹ فائلوں سے آتی ہے۔ DatastoreId اور امپورٹ JobId کو دیکھتے ہوئے، آپ ImageSetId کو دوبارہ حاصل کر سکتے ہیں، جو کہ DICOM سیریز مثال UID کے برابر ہے، جیسا کہ:
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
ImageSetId کے ساتھ، آپ مقامی AWS HealthImaging API فنکشنز کا استعمال کرتے ہوئے DICOM ہیڈر میٹا ڈیٹا اور تصویری پکسلز کو الگ سے بازیافت کر سکتے ہیں۔ دی DICOM برآمد کنندگان کی مجموعی میں DICOM ہیڈر اور تصویری پکسلز پیڈی کام ڈیٹاسیٹ، جس پر کارروائی کی جا سکتی ہے۔ MAP DICOM ڈیٹا لوڈر آپریٹر. DICOMizeImageSet()فنکشن کا استعمال کرتے ہوئے، ہم نے MAP کی بنیاد پر AWS HealthImage سے تصویری ڈیٹا لوڈ کرنے کے لیے ایک کنیکٹر بنایا ہے۔ DICOM ڈیٹا لوڈر آپریٹر:
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'])
پچھلے کوڈ میں، ahi_client
AHItoDICOM DICOM برآمد کنندہ طبقے کی ایک مثال ہے، جس میں ڈیٹا کی بازیافت کے افعال کو واضح کیا گیا ہے۔ ہم نے اس نئے ڈیٹا لوڈر آپریٹر کو a میں شامل کیا ہے۔ MONAI Deploy App SDK کے ذریعہ تیار کردہ 3D سپلین سیگمنٹیشن AI ایپلیکیشن. آپ پہلے اس ایپلی کیشن کو بنانے اور چلانے کا طریقہ دریافت کر سکتے ہیں۔ ایک مقامی نوٹ بک مثال پر، اور پھر اس MAP ایپلیکیشن کو SageMaker کے زیر انتظام انفرنس اینڈ پوائنٹس میں تعینات کریں۔
سیج میکر غیر مطابقت پذیر تخمینہ
ایک سیج میکر متضاد تخمینہ اینڈ پوائنٹ کا استعمال بڑے پے لوڈ سائز (1 جی بی تک)، طویل پروسیسنگ اوقات (15 منٹ تک) اور قریب قریب حقیقی وقت میں تاخیر کی ضروریات کے لیے استعمال کیا جاتا ہے۔ جب کارروائی کے لیے کوئی درخواستیں نہ ہوں تو، تعیناتی کا یہ اختیار لاگت کی بچت کے لیے مثال کی گنتی کو گھٹا کر صفر کر سکتا ہے، جو کہ میڈیکل امیجنگ ایم ایل انفرنس ورک بوجھ کے لیے مثالی ہے۔ میں مراحل پر عمل کریں۔ نمونہ نوٹ بک سیج میکر غیر مطابقت پذیر انفرنس اینڈ پوائنٹ کو تخلیق کرنے اور ان کی درخواست کرنے کے لیے۔ کو ایک متضاد انفرنس اینڈ پوائنٹ بنائیں، آپ کو پہلے SageMaker ماڈل اور اینڈ پوائنٹ کنفیگریشن بنانے کی ضرورت ہوگی۔ SageMaker ماڈل بنانے کے لیے، آپ کو ایک ماڈل.tar.gz پیکیج لوڈ کرنے کی ضرورت ہوگی۔ ڈائرکٹری کی ساخت کی وضاحت ایک ڈاکر کنٹینر میں۔ model.tar.gz پیکج میں پہلے سے تربیت یافتہ سپلین سیگمنٹیشن model.ts فائل اور ایک حسب ضرورت inference.py فائل شامل ہے۔ ہم نے ماڈل کو لوڈ کرنے اور پیشین گوئیاں چلانے کے لیے Python 3.8 اور PyTorch 1.12.1 فریم ورک ورژن کے ساتھ پہلے سے بنایا ہوا کنٹینر استعمال کیا ہے۔
اپنی مرضی کے مطابق میں inference.py فائل میں، ہم AHItoDICOM انٹرفیس سے AHItoDICOM مددگار کلاس شروع کرتے ہیں اور اسے MAP مثال بنانے کے لیے استعمال کرتے ہیں۔ model_fn()
فنکشن، اور ہم ایم اے پی ایپلیکیشن کو میں ہر تخمینہ کی درخواست پر چلاتے ہیں۔ predict_fn()
فنکشن:
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')
کرنے کے لئے غیر مطابقت پذیر اختتامی نقطہ کو طلب کریں۔، آپ کو درخواست ان پٹ پے لوڈ کو اپ لوڈ کرنے کی ضرورت ہوگی۔ ایمیزون سادہ اسٹوریج سروس (Amazon S3)، جو کہ ایک JSON فائل ہے جس میں AWS HealthImaging ڈیٹا اسٹور ID اور ImageSet ID کی وضاحت کی گئی ہے تاکہ اس پر اندازہ لگایا جا سکے:
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"]
آؤٹ پٹ ایمیزون S3 میں بھی پایا جاسکتا ہے۔
سیج میکر ملٹی ماڈل ریئل ٹائم انفرنس
سیج میکر۔ حقیقی وقت کا اندازہ اینڈ پوائنٹس انٹرایکٹو، کم تاخیر کی ضروریات کو پورا کرتے ہیں۔ یہ اختیار ایک کنٹینر میں ایک اختتامی نقطہ کے پیچھے ایک سے زیادہ ماڈلز کی میزبانی کر سکتا ہے، جو کہ متعدد ML ماڈلز کو تعینات کرنے کے لیے ایک قابل توسیع اور سرمایہ کاری مؤثر حل ہے۔ اے سیج میکر ملٹی ماڈل اینڈ پوائنٹ NVIDIA Triton Inference Server استعمال کرتا ہے۔ GPU کے ساتھ ایک سے زیادہ ڈیپ لرننگ ماڈل انفرنسز کو چلانے کے لیے۔
اس سیکشن میں، ہم ایک ملٹی ماڈل اینڈ پوائنٹ کو بنانے اور اس کی درخواست کرنے کے طریقہ پر چلتے ہیں۔ آپ کے اپنے انفرنس کنٹینر کو ڈھالنا مندرجہ ذیل میں نمونہ نوٹ بک. وسائل کے ایک ہی بیڑے پر مشترکہ کنٹینر میں مختلف ماڈل پیش کیے جا سکتے ہیں۔ ملٹی ماڈل اینڈ پوائنٹس ٹریفک پیٹرن کی بنیاد پر اختتامی نقطہ تک تعیناتی اوور ہیڈ اور پیمانے کے ماڈل کے نتائج کو کم کرتے ہیں۔ ہم نے استعمال کیا AWS ڈویلپر ٹولز سمیت ایمیزون کوڈکمیٹ, ایمیزون کوڈ بلڈ، اور ایمیزون کوڈ پائپ لائن تعمیر کرنے اپنی مرضی کے مطابق کنٹینر SageMaker ماڈل کے تخمینہ کے لیے۔ ہم نے ایک تیار کیا۔ model_handler.py پچھلی مثال میں inference.py فائل کی بجائے اپنا کنٹینر لانے کے لیے، اور ابتداء(), preprocess()، اور inference() فنکشنز کو لاگو کیا:
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")
کنٹینر کی تعمیر اور آگے بڑھانے کے بعد ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)، آپ اس کے ساتھ سیج میکر ماڈل بنا سکتے ہیں، نیز ایمیزون S3 کے دیئے گئے راستے میں مختلف ماڈل پیکجز (tar.gz فائلیں)
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)
یہ بات قابل ذکر ہے کہ model_url
یہاں صرف tar.gz فائلوں کے فولڈر کا راستہ بتاتا ہے، اور آپ یہ بتاتے ہیں کہ جب آپ اینڈ پوائنٹ کو استعمال کرتے ہیں تو اندازہ کے لیے کون سا ماڈل پیکیج استعمال کرنا ہے، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے:
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))
ہم اینڈ پوائنٹ کو اپ ڈیٹ کیے بغیر یا ایک نیا تخلیق کیے بغیر موجودہ ملٹی ماڈل انفرنس اینڈ پوائنٹ میں مزید ماڈلز شامل کر سکتے ہیں۔
صاف کرو
مکمل کرنا نہ بھولیں۔ ہوسٹنگ کے وسائل کو حذف کریں۔ میں قدم لیب 3 اور لیب 4 سیج میکر انفرنس اینڈ پوائنٹس کو حذف کرنے کے لیے نوٹ بک۔ آپ کو لاگت بچانے کے لیے SageMaker نوٹ بک مثال کو بھی ٹھکرانا چاہیے۔ آخر میں، آپ یا تو AWS HealthImaging API فنکشن کو کال کر سکتے ہیں یا پہلے بنائے گئے تصویری سیٹ اور ڈیٹا اسٹور کو حذف کرنے کے لیے AWS HealthImaging کنسول استعمال کر سکتے ہیں:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
نتیجہ
اس پوسٹ میں، ہم نے آپ کو دکھایا کہ AWS HealthImaging سے MAP کنیکٹر کیسے بنایا جائے، جو MONAI Deploy App SDK کے ساتھ بنی ایپلی کیشنز میں دوبارہ قابل استعمال ہے، تاکہ کلاؤڈ-آبائی DICOM اسٹور سے میڈیکل امیجنگ AI ورک لوڈ تک امیج ڈیٹا کی بازیافت کو تیز کیا جا سکے۔ . MONAI Deploy SDK کو ہسپتال کے آپریشنز میں مدد کے لیے استعمال کیا جا سکتا ہے۔ ہم نے MAP AI ایپلیکیشنز کو SageMaker پر پیمانے پر تعینات کرنے کے لیے دو ہوسٹنگ آپشنز کا بھی مظاہرہ کیا۔
میں مثال کے طور پر نوٹ بک کے ذریعے جائیں GitHub ذخیرہ اس بارے میں مزید جاننے کے لیے کہ MONAI ایپلی کیشنز کو SageMaker پر AWS HealthImaging میں محفوظ طبی امیجز کے ساتھ کیسے لگایا جائے۔ یہ جاننے کے لیے کہ AWS آپ کے لیے کیا کر سکتا ہے، ایک سے رابطہ کریں۔ AWS نمائندہ.
اضافی وسائل کے لیے، درج ذیل سے رجوع کریں:
مصنفین کے بارے میں
منگ (میلون) کن NVIDIA میں ہیلتھ کیئر ٹیم کا ایک آزاد تعاون کنندہ ہے، جو AI کو میڈیکل امیجنگ ورک فلو میں لانے کے لیے AI انفرنس ایپلیکیشن فریم ورک اور پلیٹ فارم تیار کرنے پر مرکوز ہے۔ کلارا کے بانی رکن کے طور پر 2018 میں NVIDIA میں شامل ہونے سے پہلے، منگ نے سٹینٹر انکارپوریٹڈ میں لیڈ انجینئر/آرکیٹیکٹ کے طور پر ریڈیولاجی PACS اور ورک فلو SaaS کو تیار کرنے میں 15 سال گزارے، جسے بعد میں فلپس ہیلتھ کیئر نے اپنی انٹرپرائز امیجنگ بنانے کے لیے حاصل کیا۔
ڈیوڈ بیریکیٹ NVIDIA میں ہیلتھ کیئر کے پروڈکٹ مینیجر ہیں، جہاں وہ AI کو تحقیق سے کلینیکل تعیناتیوں تک لانے کے لیے پروجیکٹ MONAI Deploy ورکنگ گروپ کی قیادت کرتے ہیں۔ اس کا جنون عالمی سطح پر صحت کی جدت طرازی کو تیز کرنا ہے اور اس کا حقیقی طبی اثرات میں ترجمہ کرنا ہے۔ پہلے، ڈیوڈ نے ریڈ ہیٹ پر کام کیا، AI، کلاؤڈ، ایج کمپیوٹنگ، اور IoT کے چوراہے پر اوپن سورس اصولوں کو نافذ کیا۔ اس کے قابل فخر لمحات میں ایورسٹ بیس کیمپ تک پیدل سفر کرنا اور 20 سال سے زیادہ فٹ بال کھیلنا شامل ہے۔
بریڈ جنیروکس NVIDIA میں گلوبل لیڈ، ہیلتھ کیئر الائنسز ہے، جہاں وہ مصنوعی ذہانت اور گہری سیکھنے، ویژولائزیشن، ورچوئلائزیشن، اور تجزیاتی حل کو تیز کرنے کے لیے طبی امیجنگ پر توجہ کے ساتھ ڈویلپر تعلقات کے لیے ذمہ دار ہے۔ بریڈ صحت کی دیکھ بھال کے IT میں 20 سال سے زیادہ کے تجربے کے ساتھ، ہموار صحت کی دیکھ بھال اور طبی امیجنگ ورک فلو کو روزمرہ کے کلینیکل پریکٹس میں اپنانے اور انضمام کی بشارت دیتا ہے۔
گینگ فو AWS میں ہیلتھ کیئر سلوشنز آرکیٹیکٹ ہے۔ اس نے مسیسیپی یونیورسٹی سے فارماسیوٹیکل سائنس میں پی ایچ ڈی کی ہے اور اس کے پاس ٹیکنالوجی اور بائیو میڈیکل ریسرچ کا 10 سال سے زیادہ کا تجربہ ہے۔ وہ ٹیکنالوجی اور صحت کی دیکھ بھال پر اس کے اثرات کے بارے میں پرجوش ہے۔
جے پی لیگر AWS میں اکیڈمک میڈیکل سینٹرز اور میڈیکل امیجنگ ورک فلو کو سپورٹ کرنے والا ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ اس کے پاس سافٹ ویئر انجینئرنگ، ہیلتھ کیئر آئی ٹی، اور میڈیکل امیجنگ میں 20 سال سے زیادہ کی مہارت ہے، جس میں کارکردگی، اسکیل ایبلٹی، اور سیکیورٹی کے لیے وسیع تجربہ آرکیٹیکٹنگ سسٹم ہے جو کہ احاطے میں، کلاؤڈ میں، اور ہائبرڈ میں اینالیٹکس اور اے آئی کے ساتھ بڑے ڈیٹا والیوم کی تقسیم شدہ تعیناتیوں میں ہے۔ .
کرس ہیفی ایمیزون ویب سروسز میں پرنسپل سولیوشن آرکیٹیکٹ ہیں۔ اس کے پاس میڈیکل امیجنگ انڈسٹری میں 25 سال سے زیادہ کا تجربہ ہے اور وہ اسکیل ایبل ہائی پرفارمنس سسٹم بنانے میں مہارت رکھتا ہے۔ وہ مقبول کارنرسٹون جے ایس اوپن سورس پروجیکٹ کا خالق ہے، جو مقبول OHIF اوپن سورس زیرو فوٹ پرنٹ ویور کو طاقت دیتا ہے۔ اس نے DICOMweb کی تفصیلات میں تعاون کیا اور ویب پر مبنی دیکھنے کے لیے اس کی کارکردگی کو بہتر بنانے کے لیے کام جاری رکھا۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 12
- 15 سال
- 15٪
- 20
- 20 سال
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- ہمارے بارے میں
- تعلیمی
- رفتار کو تیز تر
- تیز
- تک رسائی حاصل
- قابل رسائی
- اکاؤنٹ
- حاصل
- کے پار
- شامل کریں
- ایڈیشنل
- منہ بولابیٹا بنانے
- فائدہ
- سستی
- AI
- اے آئی ماڈلز
- تنبیہات سب
- یلگوردمز
- تمام
- اتحاد
- کی اجازت
- بھی
- ایمیزون
- ایمیزون ویب سروسز
- an
- تجزیاتی
- اور
- اے پی آئی
- API تک رسائی
- APIs
- اپلی کیشن
- درخواست
- ایپلی کیشنز
- فن تعمیر
- کیا
- مصنوعی
- مصنوعی ذہانت
- AS
- At
- اوصاف
- خودکار
- دستیاب
- AWS
- بیس
- کی بنیاد پر
- BE
- اس سے پہلے
- پیچھے
- بایڈیکل
- جسم
- دونوں
- بریڈ
- کامیابیاں
- لانے
- تعمیر
- عمارت
- تعمیر
- تعمیر میں
- by
- فون
- کیمپ
- کر سکتے ہیں
- پرواہ
- مقدمات
- سینٹر
- مراکز
- کلارا
- طبقے
- کلینکل
- بادل
- کوڈ
- کس طرح
- مکمل
- پر مشتمل ہے
- کمپیوٹنگ
- ترتیب
- رابطہ
- کنسول
- کنسرجیم
- رابطہ کریں
- کنٹینر
- پر مشتمل ہے
- مندرجات
- سیاق و سباق
- جاری ہے
- حصہ ڈالا
- شراکت دار
- قیمت
- لاگت کی بچت
- سرمایہ کاری مؤثر
- اخراجات
- احاطہ
- لکھا ہوا
- تخلیق
- بنائی
- خالق
- اپنی مرضی کے مطابق
- اعداد و شمار
- ڈیٹا سینٹر
- ڈیوڈ
- گہری
- گہری سیکھنے
- مظاہرہ
- demonstrated,en
- تعیناتی
- تعینات
- تعیناتی
- تعینات
- دیو
- ترقی یافتہ
- ڈیولپر
- ڈویلپرز
- ترقی
- مختلف
- تقسیم کئے
- do
- میں Docker
- دستاویز
- نیچے
- اس سے قبل
- ایج
- کنارے کمپیوٹنگ
- ہنر
- یا تو
- اور
- کے قابل بناتا ہے
- آخر سے آخر تک
- اختتام پوائنٹ
- انجنیئرنگ
- انٹرپرائز
- ماحول
- مساوی
- ایورسٹ
- ہر کوئی
- كل يوم
- مثال کے طور پر
- اس کے علاوہ
- موجودہ
- تجربہ
- مہارت
- تلاش
- وسیع
- وسیع تجربہ
- انتہائی
- جھوٹی
- فاسٹ
- فائل
- فائلوں
- آخر
- پہلا
- فلیٹ
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- مندرجہ ذیل ہے
- فوٹ پرنٹ
- کے لئے
- فارم
- فارمیٹ
- ملا
- بانی
- فریم ورک
- سے
- fu
- مکمل طور پر
- تقریب
- افعال
- افعال
- GitHub کے
- دی
- گلوبل
- عالمی سطح پر
- GPU
- گروپ
- ٹوپی
- ہے
- ہونے
- he
- ہیڈر
- صحت
- صحت کی دیکھ بھال
- یہاں
- اعلی کارکردگی
- انتہائی
- ان
- کی ڈگری حاصل کی
- ہسپتال
- میزبان
- میزبانی کی
- ہوسٹنگ
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- ہائبرڈ
- ID
- مثالی
- شناختی
- if
- وضاحت کرتا ہے
- تصویر
- تصاویر
- امیجنگ
- اثر
- عملدرآمد
- پر عمل درآمد
- درآمد
- درآمدات
- کو بہتر بنانے کے
- in
- انکارپوریٹڈ
- شامل
- شامل
- شامل ہیں
- سمیت
- آزاد
- صنعت
- جدت طرازی
- ان پٹ
- آدانوں
- انسٹال
- مثال کے طور پر
- کے بجائے
- ضم
- انضمام
- انٹیلی جنس
- انٹرایکٹو
- چوراہا
- میں
- IOT
- آئر لینڈ
- IT
- میں
- ایوب
- شمولیت
- فوٹو
- JSON
- کلیدی
- جان
- بڑے
- تاخیر
- بعد
- قیادت
- رہنماؤں
- لیڈز
- جانیں
- سیکھنے
- لائن
- لوڈ
- بارک
- لوڈ کر رہا ہے
- مقامی
- لانگ
- مشین
- مشین لرننگ
- اکثریت
- بنا
- میں کامیاب
- مینیجر
- مینیجنگ
- نقشہ
- نقشہ جات
- طبی
- سے ملو
- رکن
- میٹا ڈیٹا
- پیمائش کا معیار
- منٹ
- ML
- موڈ
- ماڈل
- ماڈل
- ماڈیولز
- لمحات
- کی نگرانی
- زیادہ
- ملٹی ماڈل اینڈ پوائنٹ
- ایک سے زیادہ
- مقامی
- ضرورت ہے
- نیٹ ورک
- نیٹ ورک
- نئی
- نہیں
- کوئی بھی نہیں
- شمالی
- نوٹ بک
- قابل ذکرہے
- NVIDIA
- اعتراض
- of
- تجویز
- on
- ایک
- صرف
- کھول
- کھلا نیٹ ورک
- اوپن سورس
- آپریشنز
- آپریٹر
- آپریٹرز
- اصلاح
- اختیار
- آپشنز کے بھی
- or
- وریگن
- OS
- دیگر
- پیداوار
- پر
- خود
- پیکج
- پیکجوں کے
- پیکیجنگ
- جوڑی
- متوازی
- جذبہ
- جذباتی
- راستہ
- پیٹرن
- کارکردگی
- اجازت
- دواسازی کی
- پی ایچ ڈی
- پائپ لائن
- دانہ
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- علاوہ
- مقبول
- پوسٹ
- طاقت
- اختیارات
- پریکٹس
- پیشن گوئی
- تیار
- پچھلا
- پہلے
- پرنسپل
- اصولوں پر
- عمل
- عملدرآمد
- عمل
- پروسیسنگ
- مصنوعات
- پروڈکٹ مینیجر
- پیداوار
- منصوبے
- خصوصیات
- فراہم کرتا ہے
- دھکیل دیا
- ازگر
- pytorch
- اصل وقت
- حقیقت
- وصول
- ریڈ
- ریڈ ہیٹ
- کو کم
- کا حوالہ دیتے ہیں
- خطے
- خطوں
- تعلقات
- نمائندگی
- درخواست
- درخواستوں
- ضروریات
- کی ضرورت ہے
- تحقیق
- محققین
- وسائل
- جواب
- ذمہ دار
- واپسی
- قابل اعتماد
- رن
- چل رہا ہے
- s
- ساس
- sagemaker
- سیج میکر کا اندازہ
- اسی
- محفوظ کریں
- بچت
- اسکیل ایبلٹی
- توسیع پذیر
- پیمانے
- سکیلنگ
- سائنس
- sdk
- ہموار
- سیکشن
- سیکورٹی
- انقطاع
- انتخاب
- SELF
- سینئر
- سیریز
- خدمت کی
- سروس
- سروسز
- سیٹ
- قائم کرنے
- کئی
- سائز
- مشترکہ
- ہونا چاہئے
- سے ظاہر ہوا
- دکھایا گیا
- سادہ
- سائز
- آسانی سے
- فٹ بال
- سافٹ ویئر کی
- سافٹ ویئر انجینئرنگ
- حل
- حل
- ماخذ
- مہارت دیتا ہے
- تصریح
- خرچ
- معیار
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- ذخیرہ
- سلک
- اس طرح
- حمایت
- امدادی
- سڈنی
- سسٹمز
- لیتا ہے
- ٹیم
- ٹیکنالوجی
- ٹیسٹنگ
- سے
- کہ
- ۔
- ان
- ان
- تو
- وہاں.
- یہ
- اس
- کے ذریعے
- اوقات
- کرنے کے لئے
- مل کر
- اوزار
- کی طرف
- ٹریفک
- رخ
- سچ
- کوشش
- ٹرن
- دو
- ہر جگہ موجود
- یونیورسٹی
- اپ ڈیٹ کریں
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- رکن کا
- استعمال
- کا استعمال کرتے ہوئے
- کی افادیت
- مختلف اقسام کے
- ورژن
- دیکھنے
- ورجینیا
- نقطہ نظر
- تصور
- تصور کرنا
- جلد
- W
- چلنا
- چاہتے ہیں
- we
- ویب
- ویب خدمات
- ویب پر مبنی ہے
- اچھا ہے
- کیا
- جب
- جس
- گے
- ساتھ
- کے اندر
- بغیر
- کام
- کام کیا
- کام کا بہاؤ
- کام کے بہاؤ
- کام کر
- کام کرنے والا گروہ
- سال
- تم
- اور
- زیفیرنیٹ
- صفر