PowerEdge: Aktivere dyp læring i stor skala for medisinsk bildebehandling
Summary: HPC, databehandling med høy ytelse, HPC og AI Innovation Lab, NIVIDIA Clara Toolkit, kunstig intelligens, medisinsk bildebehandling
Instructions
Beskrivelse Line:
Det nye NVIDIA Clara AI-verktøysettet gjør det mulig for utviklere å bygge og distribuere medisinske bildebehandlingsapplikasjoner for å skape intelligente instrumenter og automatiserte arbeidsflyter for helsevesenet.
På dagens sykehus kappes medisinske bildeteknikere om å holde tritt med arbeidsbelastninger som stammer fra den økende bruken av CT-skanninger, MR-skanninger og annen bildebehandling som brukes i diagnostiske prosesser. I et stort sykehussystem kan et relativt lite antall teknikere nå bli rammet av hundrevis eller tusenvis av skanninger på en enkelt dag. For å holde tritt med volumet trenger disse overarbeidede teknikerne verktøy for å hjelpe til med prosessen med å analysere komplekse bilder, identifisere unormaliteter som er vanskelige å oppdage og utlede indikatorer på sykdom.
I økende grad ser medisinske institusjoner på kunstig intelligens for å møte disse behovene. Med dyplæringsteknologier kan AI-systemer nå trenes opp til å fungere som digitale assistenter som tar på seg noen av de tunge løftene som følger med arbeidsflyter for medisinsk bildebehandling. Dette handler ikke om å bruke AI for å erstatte utdannede fagfolk. Det handler om å bruke AI til å effektivisere arbeidsflyter, øke effektiviteten og hjelpe prosesjoner med å identifisere sakene som krever deres umiddelbare oppmerksomhet. IT-avdelingen på sykehusene må legge strategier for å gjøre infrastrukturen AI-klar. NVIDIA og American College of Radiology har inngått et samarbeid for å gjøre det mulig for tusenvis av radiologer å opprette og bruke AI i sine egne fasiliteter, med egne data, på tvers av et stort nettverk av tusenvis av sykehus.
Et av disse AI-drevne verktøysettene er NVIDIA Clara AI, en åpen, skalerbar databehandlingsplattform som muliggjør utvikling av medisinske bildebehandlingsapplikasjoner for hybride (innebygde, lokale eller skybaserte) databehandlingsmiljøer. Med funksjonene til NVIDIA Clara AI kan sykehus lage intelligente instrumenter og automatiserte arbeidsflyter for helsevesenet.
Claras AI-verktøysett
For å hjelpe organisasjoner med å sette Clara AI i arbeid, tilbyr NVIDIA Clara Deploy SDK.
Clara AI-beholderne inkluderer GPU-akselererte biblioteker for databehandling, grafikk og AI; eksempel på applikasjoner for bildebehandling og gjengivelse; og beregningsarbeidsflyter for CT-, MR- og ultralyddata. Disse funksjonene utnytter Docker og Kubernetes til å orkestrere medisinske bildearbeidsflyter og koble til PACS (bildearkivering og kommunikasjonssystemer) eller skalere medisinske instrumentapplikasjoner.
Figur 1. Clara AI-verktøysettarkitektur
Clara AI Toolkit senker barrierene for å ta i bruk AI i arbeidsflyter for medisinsk bildebehandling. Clara AI Deploy SDK inkluderer:
- Et DICOM-adapterdatainntaksgrensesnitt for å kommunisere med et sykehus PAC-system
- Kjernetjenester for organisering og administrasjon av ressurser for implementering og utvikling av arbeidsflyt
- Referanseapplikasjoner for AI som kan brukes som de er med brukerdefinerte data eller kan endres med brukerdefinerte AI-algoritmer
- Visualiseringsfunksjoner for å overvåke fremdrift og vise resultater
Serverplattformer for verktøysettet
For organisasjoner som ønsker å utnytte NVIDIA Clara AI, tilbyr Dell EMC robuste, GPU-akselererte serverplattformer som støtter Clara AI-verktøysettet – Dell EMC PowerEdge™ R740xd-rackserveren og Dell EMC PowerEdge™ C4140-rackserveren.
PowerEdge R740xd-serveren gir en balanse mellom lagring, skalerbarhet og ytelse. Med støtte for NVMe-disker og NVIDIA GPU-er er denne 2U-plattformen med to sokler klar for kravene til Claras arbeidsmengde for kunstig intelligens og medisinsk bildebehandling. PowerEdge C4140-serveren er på sin side en akseleratoroptimalisert 1U-rackserver som er utformet for de mest krevende workloadene. Med støtte for fire GPU-er er denne ultrakompakte serveren med to sokler bygget for utfordringene med kognitive arbeidsbelastninger, inkludert AI, maskinlæring og dyp læring.
I HPC og AI Innovation Lab hos Dell EMC brukte vi Clara AI Toolkit med CT organsegmentering og CT leversegmentering på våre GPU-akselererte servere som kjører Red Hat Enterprise Linux. For disse testene samlet vi abdominal CT-skanningsdata, en serie 2D medisinske bilder, fra NIH Cancer Image Archive https://www.cancerimagingarchive.net/
Deretter kan arbeidsflyten bruke de segmenterte organene som inndata for å identifisere eventuelle avvik. Når analysen er ferdig, oppretter systemet både MetaIO-annotert 3D-volumgjengivelse som kan vises i Clara Render Server- og DICOM-filene som kan sammenlignes side om side med medisinske bildevisere som ORTHANC eller Oviyam2. Verktøyene i Clara AI Toolkit gir en pangstart for bruk i miljøer med medisinsk bildebehandling som ønsker å utnytte kraften til AI.
Figur 2: Oviyam2 Viewer som viser Clara AI-behandlet side ved side kontra originale CT-skanninger
Clara AI på jobben
Mens Clara AI er et relativt nytt tilbud, ble det lansert i mars, med generell tilgjengelighet i juni, plattformen er allerede i bruk i noen store medisinske institusjoner, inkludert Ohio State University, National Institutes of Health og University of California, San Francisco, ifølge NVIDIA.
National Institutes of Health Clinical Center og NVIDIA-forskere brukte Clara AI til å utvikle en domenegeneraliseringsmetode for segmentering av prostata fra omgivende vev på MR. En NVIDIA-blogg
Som disse tidlige brukerne viser, er NVIDIA Clara AI en plattform som potensielt kan gi mye verdi til organisasjoner som ønsker å kapitalisere på AI for å muliggjøre dyp læring i stor skala for medisinsk bildebehandling.
Figur 3: Plager på segmentert lever identifisert av Clara AI Toolkit
Slik finner du ut mer:
Hvis du vil se nærmere på funksjonene til NVIDIA Clara, kan du bla gjennom følgende koblinger:
- Clara AI Toolkit Last ned side:
- Teknisk Utvikler Blogg:
- Nyheter for utviklere:
- NVIDIA Clara-plattformen:
Additional Information
Artikkel skrevet av John Lockman og Rakshith Vasudev fra Dell-teamet ved Dell EMC HPC and AI Innovation Lab i juli 2019