Azure Machine Learning per l’imaging medico
Ricercatori e medici possono ora analizzare immagini mediche 3D con Azure Machine Learning
AzureML fornisce un toolbox di deep learning che può essere usato per addestrare immagini mediche (o, più in generale, immagini 3D) e si è integrato perfettamente con il cloud di Azure .
I modelli che possono essere creati con questo toolbox includono:
Ulteriori informazioni sull’Edge Computing di Intel>>
Modelli di segmentazione
Modelli di sequenza
Classificazione e modelli di regressione
Strumenti di apprendimento per la pulizia attiva delle etichette e il rumore (cartella stand-alone)
Aggiunto il supporto cloud a qualsiasi modello PyTorch Lightning tramite una configurazione Bring Your Own Model
È possibile costruire modelli di classificazione, regressione e sequenza da sole immagini o da una combinazione di immagini e dati non di imaging. Supporta casi d’uso relativi a dati medici in cui misurazioni, biomarcatori o caratteristiche del paziente sono spesso disponibili insieme alle immagini.
Questo toolbox mira ad aiutare i team di machine learning a ottenere di più dal lato utente. La piattaforma si basa sul cloud computing e utilizza Azure Machine Learning Services (AzureML) per l’esecuzione, la contabilità e la visualizzazione.
Nel complesso, AzureML offre:
Tracciabilità: AzureML conserva un registro completo di tutti gli esperimenti e un’istantanea del codice. I tag vengono aggiunti automaticamente agli esperimenti in modo che possano essere successivamente filtrati e trovati.
Trasparenza: ogni membro del team ha accesso agli esperimenti e ai risultati degli altri.
Riproducibilità: l’ addestramento di due modelli viene eseguito utilizzando lo stesso codice e i dati produrranno le stesse metriche. Tutte le fonti di casualità come il multithreading sono controllate per.
Riduzione dei costi: utilizzando AzureML, tutto il calcolo (macchine virtuali o VM) viene richiesto all’avvio del processo di formazione e liberato alla fine. Non ci saranno addebiti per le macchine virtuali inattive. Inoltre, i nodi di Azure a bassa priorità possono essere usati per ridurre ulteriormente i costi (fino all’80% in meno).
Scalabilità orizzontale: è possibile richiedere rapidamente un numero elevato di macchine virtuali per gestire una serie di attività.
Nonostante l’attenzione al cloud computing, tutti i test di formazione e modello possono essere eseguiti anche localmente, il che è utile per la prototipazione del modello, il debug e dove il cloud non può essere utilizzato. Inoltre, se qualcuno dispone già di macchine GPU, le utilizzerà con la cassetta degli attrezzi InnerEye .
Applicazioni di AzureML: rilevamento di tumori cerebrali
Rispetto ad altri tumori, i tumori cerebrali sono piuttosto rari. I tumori cerebrali maligni si verificano in circa sette persone su 100.000. La risonanza magnetica (MRI) è una tecnica di imaging popolare che fornisce diagnosi affidabili. Azure Machine Learning offre più opzioni di creazione, tra cui Jupyter, JupyterLab, Visual Studio Code e un’esperienza Notebook all’interno di Azure ML Studio, utile per il rilevamento dei tumori cerebrali.
AzureML usa MLflow per usare l’immagine del tumore cerebrale come dati di training per un set di dati con versione. Innanzitutto, esegue la pre-elaborazione e l’aumento di dati di base (ad es. rotazione, ribaltamento orizzontale) per addestrare un modello più generalizzato, utilizzando una rete neurale convoluzionale ResNet50 (CNN) preaddestrata, un modello costruito per addestrare il modello, in cui un set di base di verranno utilizzati iperparametri (es. ottimizzatore, tasso di apprendimento, dimensione del lotto) per rilevare il tumore.
Successivamente, il ciclo di addestramento PyTorch viene eseguito su 15 epoche e restituisce il modello associato all’epoca con la migliore accuratezza di convalida. Utilizzando questo approccio, i ricercatori hanno ottenuto una precisione del set di test di circa il 96%, che corrisponde ai risultati della convalida.
Questo toolkit di deep learning open source democratizza l’intelligenza artificiale per l’imaging medico, offrendo a sviluppatori, ricercatori e partner il potere di accelerare l’adozione dell’apprendimento automatico per migliorare i risultati dei pazienti e consentire ai medici di concentrarsi sui propri pazienti.
