يشيع استخدام تقنيات التصوير الطبي مثل التصوير المقطعي (CT) والتصوير بالرنين المغناطيسي (MRI) والتصوير الطبي بالأشعة السينية والتصوير بالموجات فوق الصوتية وغيرها لأسباب مختلفة. تتضمن بعض الأمثلة اكتشاف التغيرات في مظهر الأعضاء والأنسجة والأوعية ، واكتشاف التشوهات مثل الأورام وأنواع أخرى مختلفة من الأمراض.

قبل أن يتمكن الأطباء من استخدام البيانات من تلك التقنيات ، يجب تحويل البيانات من شكلها الأولي الأصلي إلى نموذج يمكن عرضه كصورة على شاشة الكمبيوتر.

هذه العملية معروفة باسم إعادة بناء الصورة، وهي تلعب دورًا مهمًا في سير عمل التصوير الطبي - إنها الخطوة التي تخلق صورًا تشخيصية يمكن للأطباء مراجعتها بعد ذلك.

في هذا المنشور ، نناقش حالة استخدام لإعادة بناء التصوير بالرنين المغناطيسي ، ولكن يمكن تطبيق المفاهيم المعمارية على أنواع أخرى من إعادة بناء الصورة.

أدت التطورات في مجال إعادة بناء الصورة إلى التطبيق الناجح للتقنيات القائمة على الذكاء الاصطناعي في التصوير بالرنين المغناطيسي (MR). تهدف هذه التقنيات إلى زيادة دقة إعادة الإعمار وفي حالة طريقة التصوير بالرنين المغناطيسي ، وتقليل الوقت اللازم لإجراء فحص كامل.

ضمن MR ، تم بنجاح استخدام التطبيقات التي تستخدم الذكاء الاصطناعي للعمل مع عمليات الاستحواذ التي لم يتم أخذ عينات منها ، تحقيق ما يقرب من عشرة أضعاف في وقت الفحص.

زادت أوقات انتظار الاختبارات مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب بسرعة في العامين الماضيين ، مما أدى إلى حدوث ذلك أوقات الانتظار تصل إلى 3 أشهر. لضمان رعاية جيدة للمرضى ، أدت الحاجة المتزايدة إلى التوافر السريع للصور التي أعيد بناؤها إلى جانب الحاجة إلى تقليل التكاليف التشغيلية إلى الحاجة إلى حل قادر على التوسع وفقًا لاحتياجات التخزين والحساب.

بالإضافة إلى الاحتياجات الحسابية ، شهد نمو البيانات زيادة مطردة في السنوات القليلة الماضية. على سبيل المثال ، النظر في مجموعات البيانات التي يوفرها ملف حوسبة الصور الطبية والتدخل بمساعدة الحاسوب (MICCAI)، من الممكن أن نلاحظ أن النمو السنوي هو 21٪ للتصوير بالرنين المغناطيسي ، و 24٪ للتصوير المقطعي المحوسب ، و 31٪ للتصوير الوظيفي بالرنين المغناطيسي (fMRI). (لمزيد من المعلومات ، يرجى الرجوع إلى نمو مجموعة البيانات في أبحاث تحليل الصور الطبية.)

في هذا المنشور ، نعرض لك بنية الحلول التي تتعامل مع هذه التحديات. يمكن لهذا الحل أن يمكّن مراكز البحث والمؤسسات الوسيطة وبائعي النماذج من الوصول إلى إمكانات تخزين غير محدودة ، وقوة GPU قابلة للتطوير ، والوصول السريع إلى البيانات لمهام التدريب وإعادة الإعمار للتعلم الآلي (ML) ، وبيئات تطوير تعلم الآلة البسيطة والسريعة ، والقدرة على لديك تخزين مؤقت محلي لتوافر بيانات الصورة بسرعة ومنخفضة زمن الوصول.

حل نظرة عامة

يستخدم هذا الحل تقنية إعادة بناء التصوير بالرنين المغناطيسي المعروفة باسم شبكات عصبية اصطناعية قوية لاستيفاء k-space (راكي). هذا النهج مفيد لأنه خاص بالمسح ولا يتطلب بيانات سابقة لتدريب الشبكة العصبية. العيب في هذه التقنية هو أنها تتطلب الكثير من القوة الحسابية لتكون فعالة.

توضح بنية AWS الموضحة كيف يمكن لنهج إعادة الإعمار المستند إلى السحابة أن يؤدي بفعالية مهام حسابية ثقيلة مثل تلك المطلوبة من قبل شبكة RAKI العصبية ، مع التوسع وفقًا للحمل وتسريع عملية إعادة البناء. هذا يفتح الباب أمام تقنيات لا يمكن تنفيذها بشكل واقعي في أماكن العمل.

طبقة البيانات

تمت هندسة طبقة البيانات وفقًا للمبادئ التالية:

• تكامل سلس مع الأساليب التي تخزن البيانات التي يتم إنشاؤها في محرك تخزين مرفق عبر مشاركة الشبكة على جهاز NAS
• إمكانات غير محدودة وآمنة لتخزين البيانات للتكيف مع الطلب المستمر لمساحة التخزين
• توفر تخزين سريع لأعباء عمل ML مثل التدريب العصبي العميق وإعادة بناء الصورة العصبية
• القدرة على أرشفة البيانات التاريخية باستخدام نهج منخفض التكلفة وقابل للتطوير
• السماح بإتاحة البيانات المعاد بناؤها التي يتم الوصول إليها بشكل متكرر مع الاحتفاظ في الوقت نفسه بالبيانات الأقل وصولاً إلى الأرشيف بتكلفة أقل

يوضح الرسم البياني التالي هذه العمارة.

يستخدم هذا النهج الخدمات التالية:

• بوابة تخزين AWS من أجل تكامل سلس مع الطريقة المحلية التي تتبادل المعلومات عبر نظام مشاركة الملفات. يتيح ذلك الوصول الشفاف إلى إمكانات التخزين السحابية في AWS التالية مع الحفاظ على كيفية تبادل الطريقة للبيانات:
  • تحميل سحابة سريع للأحجام التي تم إنشاؤها بواسطة طريقة MR.
  • وصول منخفض زمن الوصول إلى دراسات MR التي أعيد بناؤها بشكل متكرر عبر التخزين المؤقت المحلي الذي توفره بوابة التخزين.
• الأمازون SageMaker للتخزين السحابي غير المحدود والقابل للتطوير. توفر Amazon S3 أيضًا أرشفة عميقة لبيانات التصوير بالرنين المغناطيسي الخام التاريخية منخفضة التكلفة باستخدام أمازون S3 الجليدي، وطبقة تخزين ذكية للتصوير بالرنين المغناطيسي المعاد بناؤه باستخدام نظام Amazon S3 الذكي للتدرج.
• أمازون FSx لستر للتخزين الوسيط السريع والقابل للتطوير المستخدم في مهام التدريب وإعادة البناء ML.

يوضح الشكل التالي بنية موجزة تصف تبادل البيانات بين بيئات السحابة.

يتيح استخدام Storage Gateway مع آلية التخزين المؤقت للتطبيقات المحلية الوصول بسرعة إلى البيانات المتوفرة في ذاكرة التخزين المؤقت المحلية. يحدث هذا مع إتاحة الوصول في نفس الوقت إلى مساحة تخزين قابلة للتطوير على السحابة.

باستخدام هذا النهج ، يمكن للطرق إنشاء بيانات أولية من وظائف الاستحواذ ، بالإضافة إلى كتابة البيانات الأولية في مشاركة الشبكة التي تتم معالجتها من Storage Gateway.

إذا كانت الطريقة تنشئ ملفات متعددة تنتمي إلى نفس الفحص ، فمن المستحسن إنشاء أرشيف واحد (.tar على سبيل المثال) ، وإجراء عملية نقل واحدة إلى مشاركة الشبكة لتسريع نقل البيانات.

طبقة تحويل وإلغاء ضغط البيانات

تستقبل طبقة إلغاء ضغط البيانات البيانات الأولية ، وتقوم تلقائيًا بإلغاء الضغط ، وتطبق التحولات المحتملة على البيانات الأولية قبل إرسال البيانات المعالجة مسبقًا إلى طبقة إعادة الإعمار.

تم توضيح الهيكل المعتمد في الشكل التالي.

في هذه البنية ، تهبط بيانات التصوير بالرنين المغناطيسي الخام في دلو MRI S3 الخام ، مما يؤدي إلى إدخال جديد في خدمة Amazon Simple Queue Service (أمازون إس كيو إس).

An AWS لامدا تسترد الوظيفة عمق قائمة انتظار التصوير بالرنين المغناطيسي الخام Amazon SQS ، والذي يمثل مقدار عمليات اقتناء التصوير بالرنين المغناطيسي الخام التي تم تحميلها إلى سحابة AWS. هذا يستخدم مع AWS فارجيت لتعديل حجم ملف خدمة الأمازون المرنة للحاويات (Amazon ECS).

يتيح أسلوب الهندسة هذا توسيع نطاقه وتقليصه تلقائيًا وفقًا لعدد عمليات المسح الأولية التي تم إجراؤها في حاوية الإدخال الأولية.

بعد فك ضغط بيانات التصوير بالرنين المغناطيسي الخام ومعالجتها مسبقًا ، يتم حفظها في دلو S3 آخر حتى يمكن إعادة بنائها.

طبقة تطوير النموذج العصبي

تتكون طبقة تطوير النموذج العصبي من تطبيق RAKI. يؤدي هذا إلى إنشاء نموذج شبكة عصبية للسماح بإعادة البناء السريع للصورة لبيانات أولية بالرنين المغناطيسي قليلة العينات.

يوضح الشكل التالي البنية التي تدرك تطوير النموذج العصبي وإنشاء الحاوية.

في هذه العمارة ، الأمازون SageMaker يستخدم لتطوير نموذج RAKI العصبي ، وفي نفس الوقت لإنشاء الحاوية المستخدمة لاحقًا لإجراء إعادة بناء التصوير بالرنين المغناطيسي.

بعد ذلك ، يتم تضمين الحاوية التي تم إنشاؤها في الملف المُدار بالكامل سجل الأمازون المرنة للحاويات (Amazon ECR) بحيث يمكنه بعد ذلك فصل مهام إعادة البناء.

سرعة تخزين البيانات مضمونة باعتماد ملفات أمازون FSx لستر. إنه يوفر زمن انتقال يصل إلى أقل من مللي ثانية ، وما يصل إلى مئات الجيجابت في الثانية من الإنتاجية ، وما يصل إلى ملايين عمليات الإدخال / الإخراج في الثانية. يمنح هذا الأسلوب SageMaker الوصول إلى حل تخزين فعال من حيث التكلفة وعالي الأداء وقابل للتطوير.

طبقة إعادة البناء بالرنين المغناطيسي

تتم معالجة إعادة بناء التصوير بالرنين المغناطيسي على أساس شبكة RAKI العصبية من خلال البنية الموضحة في الرسم البياني التالي.

باستخدام نفس النمط المعماري المعتمد في طبقة إزالة الضغط والمعالجة المسبقة ، تتدرج طبقة إعادة البناء تلقائيًا لأعلى ولأسفل من خلال تحليل عمق قائمة الانتظار المسؤولة عن الاحتفاظ بجميع طلبات إعادة البناء. في هذه الحالة ، لتمكين دعم GPU ، دفعة AWS يستخدم لتشغيل وظائف إعادة الإعمار بالرنين المغناطيسي.

تُستخدم Amazon FSx for Luster لتبادل كمية كبيرة من البيانات المتضمنة في الحصول على التصوير بالرنين المغناطيسي. علاوة على ذلك ، عند اكتمال مهمة إعادة البناء وتخزين بيانات التصوير بالرنين المغناطيسي المعاد بناؤها في حاوية S3 المستهدفة ، تطلب البنية المستخدمة تلقائيًا تحديث بوابة التخزين. هذا يجعل البيانات المعاد بناؤها متاحة للمنشأة المحلية.

الهيكل العام والنتائج

يظهر الهيكل العام في الشكل التالي.

طبقنا الهندسة الموصوفة على مهام إعادة بناء التصوير بالرنين المغناطيسي باستخدام قواعد البيانات حجم 2.4 جيجا بايت تقريبًا.

استغرق الأمر 210 ثانية تقريبًا لتدريب 221 مجموعة بيانات ، ليصبح المجموع 514 غيغابايت من البيانات الأولية على عقدة واحدة مجهزة بـ Nvidia Tesla V100-SXM2-16GB.

استغرقت إعادة الإعمار ، بعد تدريب شبكة RAKI ، 40 ثانية في المتوسط ​​على عقدة واحدة مزودة بمحرك Nvidia Tesla V100-SXM2-16GB.

يمكن أن يؤدي تطبيق البنية السابقة على وظيفة إعادة الإعمار إلى النتائج في الشكل التالي.

تظهر الصورة أنه يمكن الحصول على نتائج جيدة من خلال تقنيات إعادة البناء مثل RAKI. علاوة على ذلك ، يمكن أن يؤدي اعتماد التكنولوجيا السحابية إلى إتاحة هذه الأساليب الحوسبية الثقيلة دون القيود الموجودة في الحلول المحلية حيث تكون موارد التخزين والحساب محدودة دائمًا.

استنتاجات

باستخدام أدوات مثل Amazon SageMaker و Amazon FSx for Luster و AWS Batch و Fargate و Lambda ، يمكننا إنشاء بيئة مُدارة قابلة للتطوير وآمنة وفعالة من حيث التكلفة وقادرة على أداء المهام المعقدة مثل إعادة بناء الصورة على نطاق واسع.

في هذا المنشور ، استكشفنا حلاً ممكنًا لإعادة بناء الصورة من بيانات الطريقة الأولية باستخدام تقنية حسابية مكثفة تُعرف باسم RAKI: تقنية التعلم العميق المجانية لقاعدة البيانات لإعادة بناء الصورة بسرعة.

لمعرفة المزيد حول كيفية تسريع AWS للابتكار في مجال الرعاية الصحية ، تفضل بزيارة AWS للصحة.

مراجع حسابات

عن المؤلف

بينيديتو كارولو هو كبير مهندسي الحلول للتصوير الطبي والرعاية الصحية في Amazon Web Services في أوروبا والشرق الأوسط وأفريقيا. يركز عمله على مساعدة عملاء التصوير الطبي والرعاية الصحية في حل مشاكل العمل من خلال الاستفادة من التكنولوجيا. يتمتع Benedetto بخبرة تزيد عن 15 عامًا في مجال التكنولوجيا والتصوير الطبي وعمل في شركات مثل Canon Medical Research و Vital Images. حصل بينيديتو على ماجستير في هندسة البرمجيات بامتياز مع مرتبة الشرف من جامعة باليرمو - إيطاليا.