Tái tạo hình ảnh y tế dựa trên đám mây bằng cách sử dụng mạng thần kinh sâu

Các kỹ thuật hình ảnh y tế như chụp cắt lớp vi tính (CT), chụp cộng hưởng từ (MRI), chụp X-quang y tế, chụp ảnh siêu âm và các kỹ thuật khác thường được các bác sĩ sử dụng vì nhiều lý do. Một số ví dụ bao gồm phát hiện những thay đổi về hình thức bên ngoài của các cơ quan, mô và mạch máu cũng như phát hiện những bất thường như khối u và nhiều loại bệnh lý khác.

Trước khi các bác sĩ có thể sử dụng dữ liệu từ những kỹ thuật đó, dữ liệu cần phải được chuyển đổi từ dạng thô nguyên gốc sang dạng có thể hiển thị dưới dạng hình ảnh trên màn hình máy tính.

Quá trình này được gọi là tái tạo hình ảnhvà nó đóng một vai trò quan trọng trong quy trình chụp ảnh y tế—đó là bước tạo ra các hình ảnh chẩn đoán mà sau đó các bác sĩ có thể xem xét.

Trong bài đăng này, chúng tôi thảo luận về một trường hợp sử dụng tái tạo MRI, nhưng các khái niệm kiến ​​trúc có thể được áp dụng cho các kiểu tái tạo hình ảnh khác.

Những tiến bộ trong lĩnh vực tái tạo hình ảnh đã dẫn đến việc áp dụng thành công các kỹ thuật dựa trên AI trong chụp ảnh cộng hưởng từ (MR). Những kỹ thuật này nhằm mục đích tăng độ chính xác của việc tái tạo và trong trường hợp sử dụng phương thức MR, đồng thời giảm thời gian cần thiết để quét toàn bộ.

Trong MR, các ứng dụng sử dụng AI để xử lý các hoạt động mua lại chưa được lấy mẫu đã được sử dụng thành công, đạt được mức giảm gần mười lần về thời gian quét.

Thời gian chờ đợi cho các xét nghiệm như chụp MRI và CT đã tăng nhanh trong vài năm qua, dẫn đến thời gian chờ đợi có thể lên tới 3 tháng. Để đảm bảo chăm sóc bệnh nhân tốt, nhu cầu ngày càng tăng về khả năng cung cấp nhanh chóng các hình ảnh được tái tạo cùng với nhu cầu giảm chi phí vận hành đã thúc đẩy nhu cầu về một giải pháp có khả năng mở rộng quy mô theo nhu cầu lưu trữ và tính toán.

Ngoài nhu cầu tính toán, tốc độ tăng trưởng dữ liệu còn tăng trưởng ổn định trong vài năm qua. Ví dụ: xem xét các tập dữ liệu được cung cấp bởi Máy tính hình ảnh y tế và can thiệp có sự hỗ trợ của máy tính (MICCAI), có thể thu thập rằng mức tăng trưởng hàng năm là 21% đối với MRI, 24% đối với CT và 31% đối với MRI chức năng (fMRI). (Để biết thêm thông tin, hãy tham khảo Tăng trưởng tập dữ liệu trong nghiên cứu phân tích hình ảnh y tế.)

Trong bài đăng này, chúng tôi giới thiệu cho bạn kiến ​​trúc giải pháp nhằm giải quyết những thách thức này. Giải pháp này có thể cho phép các trung tâm nghiên cứu, tổ chức trung gian và nhà cung cấp phương thức có quyền truy cập vào khả năng lưu trữ không giới hạn, sức mạnh GPU có thể mở rộng, truy cập dữ liệu nhanh cho các nhiệm vụ đào tạo và tái thiết máy học (ML), môi trường phát triển ML đơn giản và nhanh chóng cũng như khả năng có bộ nhớ đệm tại chỗ để cung cấp dữ liệu hình ảnh nhanh và có độ trễ thấp.

Tổng quan về giải pháp

Giải pháp này sử dụng kỹ thuật tái tạo MRI được gọi là Mạng lưới thần kinh nhân tạo mạnh mẽ cho phép nội suy không gian k (RAKI). Cách tiếp cận này thuận lợi vì nó dành riêng cho việc quét và không yêu cầu dữ liệu trước đó để huấn luyện mạng lưới thần kinh. Hạn chế của kỹ thuật này là nó đòi hỏi rất nhiều sức mạnh tính toán để có hiệu quả.

Kiến trúc AWS được phác thảo cho thấy cách tiếp cận tái thiết dựa trên đám mây có thể thực hiện hiệu quả các tác vụ nặng về tính toán như nhiệm vụ mà mạng thần kinh RAKI yêu cầu, mở rộng quy mô theo tải và đẩy nhanh quá trình tái thiết. Điều này mở ra cánh cửa cho những kỹ thuật không thể triển khai thực tế tại cơ sở.

Lớp dữ liệu

Lớp dữ liệu đã được kiến ​​trúc theo các nguyên tắc sau:

• Tích hợp liền mạch với các phương thức lưu trữ dữ liệu được tạo vào ổ lưu trữ đính kèm thông qua chia sẻ mạng trên thiết bị NAS
• Khả năng lưu trữ dữ liệu an toàn và không giới hạn để mở rộng theo nhu cầu liên tục về không gian lưu trữ
• Khả năng lưu trữ nhanh chóng cho khối lượng công việc ML như đào tạo thần kinh sâu và tái tạo hình ảnh thần kinh
• Khả năng lưu trữ dữ liệu lịch sử bằng cách sử dụng phương pháp tiếp cận có chi phí thấp, có thể mở rộng
• Cho phép sẵn có dữ liệu được tái tạo được truy cập thường xuyên nhất đồng thời giữ dữ liệu được truy cập ít thường xuyên hơn được lưu trữ với chi phí thấp hơn

Sơ đồ sau minh họa kiến ​​trúc này.

Cách tiếp cận này sử dụng các dịch vụ sau:

• Cổng lưu trữ AWS để tích hợp liền mạch với phương thức tại chỗ trao đổi thông tin qua hệ thống chia sẻ tệp. Điều này cho phép truy cập minh bạch vào các khả năng lưu trữ trên Đám mây AWS sau đây trong khi vẫn duy trì cách thức trao đổi dữ liệu theo phương thức:
  • Tải lên đám mây nhanh chóng các tập được tạo bằng phương thức MR.
  • Quyền truy cập có độ trễ thấp vào các nghiên cứu MR được tái tạo thường xuyên được sử dụng thông qua bộ nhớ đệm cục bộ do Storage Gateway cung cấp.
• Amazon SageMaker để lưu trữ đám mây không giới hạn và có thể mở rộng. Amazon S3 cũng cung cấp khả năng lưu trữ sâu dữ liệu MRI thô lịch sử với chi phí thấp với Sông băng Amazon S3và tầng lưu trữ thông minh dành cho MRI được tái tạo với Phân bậc thông minh của Amazon S3.
• Amazon FSx cho ánh để lưu trữ trung gian nhanh và có thể mở rộng, được sử dụng cho các nhiệm vụ tái thiết và đào tạo ML.

Hình dưới đây thể hiện kiến ​​trúc ngắn gọn mô tả việc trao đổi dữ liệu giữa các môi trường đám mây.

Việc sử dụng Storage Gateway với cơ chế bộ nhớ đệm cho phép các ứng dụng tại chỗ truy cập nhanh vào dữ liệu có sẵn trên bộ nhớ đệm cục bộ. Điều này xảy ra đồng thời cấp quyền truy cập vào không gian lưu trữ có thể mở rộng trên đám mây.

Với phương pháp này, các phương thức có thể tạo ra dữ liệu thô từ các công việc thu thập, cũng như ghi dữ liệu thô vào mạng chia sẻ được xử lý từ Cổng lưu trữ.

Nếu phương thức này tạo ra nhiều tệp thuộc cùng một lần quét, thì bạn nên tạo một kho lưu trữ duy nhất (ví dụ: .tar) và thực hiện một lần truyền tới mạng chia sẻ để tăng tốc quá trình truyền dữ liệu.

Lớp giải nén và chuyển đổi dữ liệu

Lớp giải nén dữ liệu nhận dữ liệu thô, tự động thực hiện giải nén và áp dụng các phép biến đổi tiềm năng cho dữ liệu thô trước khi gửi dữ liệu được xử lý trước đến lớp tái cấu trúc.

Kiến trúc được thông qua được phác thảo trong hình dưới đây.

Trong kiến ​​trúc này, dữ liệu MRI thô nằm trong nhóm MRI S3 thô, từ đó kích hoạt một mục nhập mới trong Dịch vụ xếp hàng đơn giản trên Amazon (SQS của Amazon).

An AWS Lambda hàm truy xuất độ sâu hàng đợi MRI Amazon SQS thô, biểu thị số lượng thu thập MRI thô được tải lên Đám mây AWS. Điều này được sử dụng với Cổng xa AWS để tự động điều chỉnh kích thước của một Dịch vụ container đàn hồi Amazon (Amazon ECS).

Cách tiếp cận kiến ​​trúc này cho phép nó tự động mở rộng quy mô lên xuống tương ứng với số lần quét thô được đưa vào nhóm đầu vào thô.

Sau khi dữ liệu MRI thô được giải nén và xử lý trước, dữ liệu đó sẽ được lưu vào một bộ chứa S3 khác để có thể được xây dựng lại.

Lớp phát triển mô hình thần kinh

Lớp phát triển mô hình thần kinh bao gồm việc triển khai RAKI. Điều này tạo ra một mô hình mạng lưới thần kinh để cho phép tái tạo hình ảnh nhanh chóng từ dữ liệu thô cộng hưởng từ chưa được lấy mẫu.

Hình dưới đây cho thấy kiến ​​trúc thực hiện việc phát triển mô hình thần kinh và tạo vùng chứa.

Trong kiến ​​trúc này, Amazon SageMaker được sử dụng để phát triển mô hình thần kinh RAKI, đồng thời tạo ra vùng chứa mà sau này được sử dụng để thực hiện tái tạo MRI.

Sau đó, vùng chứa đã tạo sẽ được đưa vào vùng được quản lý hoàn toàn Đăng ký container đàn hồi Amazon (Amazon ECR) để sau đó có thể thực hiện các nhiệm vụ tái thiết.

Lưu trữ dữ liệu nhanh được đảm bảo bằng việc áp dụng Amazon FSx cho ánh. Nó cung cấp độ trễ dưới một phần nghìn giây, thông lượng lên tới hàng trăm GBps và lên tới hàng triệu IOPS. Cách tiếp cận này mang lại cho SageMaker quyền truy cập vào giải pháp lưu trữ tiết kiệm chi phí, hiệu suất cao và có thể mở rộng.

Lớp tái tạo MRI

Việc tái tạo MRI dựa trên mạng thần kinh RAKI được xử lý theo kiến ​​trúc như trong sơ đồ sau.

Với cùng một mẫu kiến ​​trúc được áp dụng trong lớp giải nén và tiền xử lý, lớp tái thiết sẽ tự động tăng giảm quy mô bằng cách phân tích độ sâu của hàng đợi chịu trách nhiệm lưu giữ tất cả các yêu cầu tái thiết. Trong trường hợp này, để bật hỗ trợ GPU, Hàng loạt AWS được sử dụng để chạy các công việc tái thiết MRI.

Amazon FSx for Lustre được sử dụng để trao đổi lượng lớn dữ liệu liên quan đến việc thu thập MRI. Hơn nữa, khi công việc tái thiết hoàn tất và dữ liệu MRI được tái tạo được lưu trữ trong bộ chứa S3 đích, kiến ​​trúc được sử dụng sẽ tự động yêu cầu làm mới cổng lưu trữ. Điều này làm cho dữ liệu được xây dựng lại có sẵn cho cơ sở tại chỗ.

Kiến trúc tổng thể và kết quả

Kiến trúc tổng thể được thể hiện trong hình dưới đây.

Chúng tôi đã áp dụng kiến ​​trúc được mô tả vào các nhiệm vụ tái tạo MRI với bộ dữ liệu có kích thước khoảng 2.4 GB.

Mất khoảng 210 giây để đào tạo 221 bộ dữ liệu, với tổng số 514 GB dữ liệu thô trên một nút duy nhất được trang bị Nvidia Tesla V100-SXM2-16GB.

Quá trình tái thiết sau khi mạng RAKI được đào tạo mất trung bình 40 giây trên một nút duy nhất được trang bị Nvidia Tesla V100-SXM2-16GB.

Việc áp dụng kiến ​​trúc trước đó vào công việc xây dựng lại có thể mang lại kết quả như hình dưới đây.

Hình ảnh cho thấy có thể thu được kết quả tốt thông qua các kỹ thuật tái thiết như RAKI. Hơn nữa, việc áp dụng công nghệ đám mây có thể giúp các phương pháp tính toán nặng này trở nên khả dụng mà không gặp phải những hạn chế như các giải pháp tại chỗ, nơi tài nguyên lưu trữ và tính toán luôn bị hạn chế.

Kết luận

Với các công cụ như Amazon SageMaker, Amazon FSx for Lustre, AWS Batch, Fargate và Lambda, chúng tôi có thể tạo một môi trường được quản lý có khả năng mở rộng, bảo mật, tiết kiệm chi phí và có khả năng thực hiện các tác vụ phức tạp như tái tạo hình ảnh trên quy mô lớn.

Trong bài đăng này, chúng tôi đã khám phá một giải pháp khả thi để tái tạo hình ảnh từ dữ liệu phương thức thô bằng cách sử dụng kỹ thuật tính toán chuyên sâu được gọi là RAKI: một kỹ thuật học sâu không cần cơ sở dữ liệu để tái tạo hình ảnh nhanh.

Để tìm hiểu thêm về cách AWS đang tăng tốc đổi mới trong lĩnh vực chăm sóc sức khỏe, hãy truy cập AWS cho sức khỏe.

dự án

---

Giới thiệu về tác giả

Benedetto Carollo là Kiến trúc sư Giải pháp Cao cấp về hình ảnh y tế và chăm sóc sức khỏe tại Amazon Web Services ở Châu Âu, Trung Đông và Châu Phi. Công việc của anh tập trung vào việc giúp các khách hàng chăm sóc sức khỏe và hình ảnh y tế giải quyết các vấn đề kinh doanh bằng cách tận dụng công nghệ. Benedetto có hơn 15 năm kinh nghiệm về công nghệ và hình ảnh y tế và đã làm việc cho các công ty như Canon Medical Research và Vital Images. Benedetto đã nhận được giấy triệu tập kiêm cử nhân Thạc sĩ Kỹ thuật Phần mềm từ Đại học Palermo - Ý.