医学成像是世界各地医疗保健、筛查、诊断和治疗工作流程的重要工具。计算机视觉领域的创新和突破正在通过新的 SDK 加速医疗保健领域的复兴。
MONAI ,人工智能医疗开放网络,在其开源套件中容纳了许多这些 SDK ,旨在驱动医疗人工智能工作流。要了解有关 MONAI 的更多信息,请参见 Open-Source Healthcare AI Innovation Continues to Expand with MONAI v1.0 。
要在云中运行这些 SDK 并将其连接到医疗成像生态系统,需要可访问、安全且战略性地集成到存储和网络等基础设施中的平台。
最近宣布, Google Cloud Medical Imaging Suite 就是这样一个平台,它能够开发用于成像的 AI ,以支持更快、更准确的图像诊断,提高医护人员的生产力,并改善患者获得更好护理和结果的机会。 Google Cloud 已将 MONAI 纳入其医学成像套件,为放射科医生和病理学家提供了关键且令人信服的工具,以简化 AI 在临床实践中的开发和应用。
医学成像工作流的数据互操作性
Google Cloud Imaging Suite 解决了组织在开发人工智能和机器学习( ML )模型时面临的常见痛点,并使用 AI 和 ML 实现数据互操作性。它包括使用 Cloud Healthcare API 进行图像存储的服务,允许使用 DICOMweb 轻松安全地进行数据交换。企业级开发环境是完全管理的、高度可扩展的,并且包括用于取消标识的服务。
医学成像套件还包括成像实验室,帮助自动化使用 MONAI 的 AI 辅助注释工具标记医学图像的高度手动和重复任务。谷歌云医疗成像实验室是基本 Jupyter 环境的扩展,它与谷歌云深度学习虚拟机( DLVM )产品一起打包。
此扩展是通过向基本 DLVM 映像添加附加软件包来实现的,这些软件包为 Jupyter 环境添加了图形功能。这使得开发与多种医学成像应用交互的 Python 笔记本成为可能。该图形环境包括流行的图像分析应用程序 3DSlicer ,该应用程序预装有 MONAILabel 插件。
![A list of the different software layers of the Google Cloud Medical Imaging Lab package.](https://developer-blogs.nvidia.com/wp-content/uploads/2022/10/Capture-1.png)
基于 Jupyter 的体系结构允许数据科学家利用 Python 语言的强大功能,包括 PyTorch 模型,并使用 3DSlicer 等图形应用程序快速可视化结果。 MONAILabel 服务器被配置为可以安全访问 Google Cloud Healthcare API ,从而可以以 DICOM 格式存储图像和图像注释结果。
![A diagram showing the end-to-end deployment of the Google Cloud Medical Imaging Lab](https://developer-blogs.nvidia.com/wp-content/uploads/2022/10/image1-7.png)
Google Cloud Medical Imaging Suite 还包括构建队列和图像数据集的服务,使组织能够查看和搜索数 PB 的图像数据,以执行高级分析,并使用 BigQuery 和 Looker 以零运营开销创建培训数据集。
成像 AI 管道有助于加速可扩展 AI 模型的开发,成像部署为云、预部署或边缘部署提供了灵活的选择。这些服务都包含在套件中,允许组织满足不同的主权、数据安全和隐私要求,同时提供集中管理和策略实施。
转变端到端医疗 AI 生命周期
MONAI 提供了一套开源工具,用于培训、标记医学模型,并将其部署到成像生态系统中。通过定期更新和功能发布, MONAI 继续添加关键和令人信服的组件,以简化人工智能在临床实践中的开发和应用。
MONAI 将关键路径服务添加到 Google Cloud Medical Imaging Suite 中,并使医学成像套件上的数据科学家和开发人员能够使用以下服务:
- MONAI 标签:集成到 OHIF 和 3D 切片器等医学成像级查看器中,并支持病理学和企业成像查看器。用户可以快速创建一个主动学习注释框架,在几秒钟内分割器官和病理。这建立了可以推动模型训练的基本事实。
- MONAI 核心: PyTorch 驱动的深度学习任务库,包括数据科学家和研究人员开发医学成像培训工作流所需的领域优化功能。使用 MONAI 捆绑包,一个包含预训练权重和训练脚本的独立模型包,可以快速开始微调模型。
- MONAI 部署:提供一种快速、简单、标准化的方法,使用称为 MONAI 部署应用程序包( MAP )的行业标准来定义模型规范。将模型转化为应用程序,并在真实的临床环境中运行应用程序。
- MONAI 模型动物园:一个共享预训练模型的中心,使数据科学家和临床研究人员能够快速启动他们的人工智能开发。浏览模型动物园,寻找一个可以支持您培训的模型,或提交您的模型,以帮助 MONAI 实现可复制研究和合作的共同标准的目标。
MONAI 集成在 GoogleCloudMedicalImagingSuite 中,有望改变端到端的医疗 AI 生命周期。从对训练模型进行数据标记并大规模运行开始,医疗成像套件上的 MONAI 正在使用可互操作的行业标准与云中的硬件和软件服务集成到医疗生态系统中,以实现规模化。
访问 Google Medical Imaging Suite 开始。