由于各种原因，医生通常使用计算机断层扫描 (CT)、磁共振成像 (MRI)、医学 X 射线成像、超声成像等医学成像技术。 一些示例包括检测器官、组织和血管外观的变化，以及检测异常，例如肿瘤和各种其他类型的病理。
在医生可以使用来自这些技术的数据之前，需要将数据从其原始原始形式转换为可以在计算机屏幕上显示为图像的形式。
这个过程被称为 影像重建，它在医学成像工作流程中起着至关重要的作用——它是创建诊断图像的步骤，然后医生可以对其进行审查。
在这篇文章中，我们讨论了一个 MRI 重建的用例，但架构概念可以应用于其他类型的图像重建。
图像重建领域的进步导致基于人工智能的技术在磁共振 (MR) 成像中的成功应用。 这些技术旨在提高重建的准确性以及在 MR 模态的情况下，并减少全扫描所需的时间。
在 MR 中，使用 AI 处理欠采样采集的应用程序已成功使用， 扫描时间减少近十倍.
在过去几年中，等待 MRI 和 CT 扫描等检查的时间迅速增加，导致 等待时间长达 3 个月. 为了确保良好的患者护理，对重建图像的快速可用性的需求以及降低运营成本的需求推动了对能够根据存储和计算需求进行扩展的解决方案的需求。
除了计算需求外，数据增长在过去几年中稳步增长。 例如，查看由 医学图像计算和计算机辅助干预 (MICCAI)，有可能收集到 MRI 的年增长率为 21%，CT 为 24%，功能性 MRI (fMRI) 为 31%。 （有关详细信息，请参阅 医学图像分析研究中的数据集增长.)
在这篇文章中，我们向您展示了一个解决这些挑战的解决方案架构。 该解决方案可以使研究中心、医疗机构和医疗器械供应商获得无限的存储能力、可扩展的 GPU 能力、用于机器学习 (ML) 训练和重建任务的快速数据访问、简单快速的 ML 开发环境以及能够具有本地缓存以实现快速和低延迟的图像数据可用性。
解决方案概述
该解决方案使用称为 MRI 重建技术 用于 k 空间插值的鲁棒人工神经网络 （拉基）。 这种方法是有利的，因为它是特定于扫描的，并且不需要先前的数据来训练神经网络。 这种技术的缺点是它需要大量的计算能力才能有效。
概述的 AWS 架构展示了基于云的重建方法如何有效地执行计算量大的任务，例如 RAKI 神经网络所需的任务，根据负载进行扩展并加速重建过程。 这为无法在现场实际实施的技术打开了大门。
数据层
数据层的架构围绕以下原则：
- 与通过 NAS 设备上的网络共享将生成的数据存储到附加存储驱动器的模式无缝集成
- 无限且安全的数据存储能力，可根据存储空间的持续需求进行扩展
- 深度神经训练和神经图像重建等 ML 工作负载的快速存储可用性
- 使用低成本、可扩展的方法归档历史数据的能力
- 允许访问最频繁的重建数据的可用性，同时以较低的成本存档不经常访问的数据
下图说明了此体系结构。
此方法使用以下服务：
- AWS存储网关 与通过文件共享系统交换信息的本地模式无缝集成。 这允许对以下 AWS 云存储功能进行透明访问，同时保持模式交换数据的方式：
- MR 模式生成的卷的快速云上传。
- 通过 Storage Gateway 提供的本地缓存对常用的重建 MR 研究进行低延迟访问。
- 亚马逊SageMaker 用于无限和可扩展的云存储。 Amazon S3 还提供低成本的历史原始 MRI 数据深度归档 亚马逊S3冰川，以及用于重建 MRI 的智能存储层 Amazon S3 智能分层.
- 适用于Lustre的Amazon FSx 用于 ML 训练和重建任务的快速且可扩展的中间存储。
下图显示了一个简洁的架构，描述了云环境之间的数据交换。
使用带有缓存机制的 Storage Gateway 允许本地应用程序快速访问本地缓存中可用的数据。 这发生在同时提供对云上可扩展存储空间的访问权限的同时。
使用这种方法，模态可以从采集作业中生成原始数据，并将原始数据写入由 Storage Gateway 处理的网络共享中。
如果该模态生成属于同一扫描的多个文件，建议创建单个存档（例如 .tar），并执行单个传输到网络共享以加速数据传输。
数据解压转换层
数据解压层接收原始数据，自动执行解压，并在将预处理数据提交给重构层之前对原始数据应用潜在的变换。
采用的架构如下图所示。
在此架构中，原始 MRI 数据落在原始 MRI S3 存储桶中，从而触发新的条目 Amazon Simple Queue服务 （Amazon SQS）。
An AWS Lambda 函数检索原始 MRI Amazon SQS 队列深度，它表示上传到 AWS 云的原始 MRI 采集量。 这与 AWS 法门 自动调整大小 亚马逊弹性容器服务 (Amazon ECS) 集群。
这种架构方法允许它根据进入原始输入存储桶的原始扫描数量自动放大和缩小。
在对原始 MRI 数据进行解压缩和预处理后，将其保存到另一个 S3 存储桶中，以便对其进行重建。
神经模型开发层
神经模型开发层由 RAKI 实现组成。 这将创建一个神经网络模型，以允许对采样不足的磁共振原始数据进行快速图像重建。
下图展示了实现神经模型开发和容器创建的架构。
在这个架构中， 亚马逊SageMaker 用于开发 RAKI 神经模型，同时创建稍后用于执行 MRI 重建的容器。
然后，创建的容器被包含在完全托管的 Amazon Elastic Container注册 (Amazon ECR) 存储库，以便它随后可以分拆重建任务。
快速的数据存储是通过采用 适用于Lustre的Amazon FSx. 它提供亚毫秒级延迟、高达数百 GBps 的吞吐量和高达数百万的 IOPS。 这种方法使 SageMaker 能够访问经济高效、高性能且可扩展的存储解决方案。
MRI重建层
基于 RAKI 神经网络的 MRI 重建由下图所示的架构处理。
与解压和预处理层采用相同的架构模式，重构层通过分析负责保存所有重构请求的队列的深度来自动扩展和缩减。 在这种情况下，要启用 GPU 支持， AWS批处理 用于运行 MRI 重建作业。
Amazon FSx for Lustre 用于交换 MRI 采集中涉及的大量数据。 此外，当重建作业完成并将重建的 MRI 数据存储在目标 S3 存储桶中时，所采用的架构会自动请求刷新存储网关。 这使得重建的数据可用于本地设施。
整体架构和结果
整体架构如下图所示。
我们将所描述的架构应用于 MRI 重建任务 数据集 大小约为 2.4 GB。
训练 210 个数据集大约需要 221 秒，在配备 Nvidia Tesla V514-SXM100-2GB 的单个节点上总共需要 16 GB 的原始数据。
训练 RAKI 网络后，重建在配备 Nvidia Tesla V40-SXM100-2GB 的单个节点上平均耗时 16 秒。
将上述架构应用于重建作业可以产生下图中的结果。
该图像显示，通过 RAKI 等重建技术可以获得良好的结果。 此外，采用云技术可以使这些计算量大的方法可用，而不受存储和计算资源总是有限的本地解决方案的限制。
结论
借助 Amazon SageMaker、Amazon FSx for Lustre、AWS Batch、Fargate 和 Lambda 等工具，我们可以创建一个可扩展、安全、经济高效且能够执行复杂任务（例如大规模图像重建）的托管环境。
在这篇文章中，我们探索了一种使用称为 RAKI 的计算密集型技术从原始模态数据重建图像的可能解决方案：一种用于快速图像重建的无数据库深度学习技术。
要了解有关 AWS 如何加速医疗保健创新的更多信息，请访问 AWS 健康.
参考资料
关于作者
贝内代托·卡罗洛 是 Amazon Web Services 在欧洲、中东和非洲的医学成像和医疗保健高级解决方案架构师。 他的工作重点是帮助医学成像和医疗保健客户利用技术解决业务问题。 Benedetto 拥有超过 15 年的技术和医学成像经验，曾在 Canon Medical Research 和 Vital Images 等公司工作。 Benedetto 以优异的成绩获得了意大利巴勒莫大学的软件工程硕士学位。
