微软开源InnerEye:让医学影像AI普及化
本文转载自微软研究院AI头条。
十多年来,微软剑桥研究院的 InnerEye 项目团队一直在开发最先进的机器学习方法,用于三维医学影像的自动定量分析。该项目的一个重要应用是在癌症放射疗法上,协助临床医生进行图像准备和手术计划。通常,癌症放射疗法需要放射肿瘤学专家或专业技术人员手动检查、标记数十个 3D CT 扫描图像,根据癌症的种类,这项任务可能需要一个小时到多个小时不等。项目团队的研究表明,机器学习可以将这个时间缩短到几分钟,帮助临床医生减轻负担。
InnerEye 项目一直与剑桥大学以及剑桥大学医院 NHS 基金会密切合作,通过深入研究,最终在这一问题上取得了突破。剑桥大学机器学习和放射学组负责人 Raj Jena 博士表示:“这项技术成功的最有力证明就是忙碌的临床医生与 InnerEye 的互动程度。在超过15年的时间里,用于放射治疗的图像自动分割技术一直没有完全实现。通过使用 InnerEye 机器学习模型,我们已经对数据进行了训练,现在观察到一致的分割效果在精确度上,达到了符合严格的临床要求的标准。”
InnerEye 项目的目标是希望人工智能在医学影像分析方面被普及化使用,并让研究机构、医院、生命科学组织和医疗服务提供者通过使用微软 Azure 云平台可以构建自己的医学影像人工智能模型。因此,为了使 InnerEye 项目的研究成果更容易获得,微软发布并开源了 InnerEye 深度学习工具包(https://github.com/microsoft/InnerEye-DeepLearning)。该工具包让使用集合训练高性能模型,以及使用 Azure 机器学习服务或 Azure Stack Hub 部署模型,变得容易。微软非常高兴看到人们或组织将如何在此基础上提升患者护理的水平。
开源InnerEye深度学习工具包
随着深度神经网络等新技术的不断发展,用于医学影像的机器学习模型也在迅速进步。由于需要复杂的软件工程和计算基础设施来定义、训练、测试和跟踪,所以关注核心机器学习的进展十分困难。InnerEye 项目团队已参与了多个机器学习项目(包括放疗、外科手术计划和定量放射学),并利用 Azure 为团队开发了一个通用框架,以简化工作流。同时,项目团队希望以开源的形式将这个工具包分享给更多有以下需要的人:
大规模构建最先进的 3D/2D 医学影像分类、分割或序列模型
避免管理和维护一个有弹性的前沿 GPU 集群
按照最佳实例来构建 AI 模型——DevOps for ML (MLOps)
InnerEye 项目团队已建立了一种基于配置的方法,用于构建图像分类、分割或序列模型。不同的模型有不同的模板,包括常见的场景,如放射治疗分割、放射学分割和眼科分类等。其中,分类、回归和序列模型可以只使用图像作为输入,也可以使用图像和非图像数据的组合作为输入。该方法支持典型的医学数据使用场景,在这些用例中,除了图像之外,它还可以使用测量值、生物标记或患者特征。使用者可以使用预配置的神经网络,比如 UNet3D,也可以使用自己的网络。
使用 UNet3D 网络分析肺 CT 图像的放疗分割模型配置模板
建立先进模型的一大挑战,是大规模地训练现代计算体系结构。这就涉及到构建和维护 GPU 的弹性集群,但这不是机器学习研究人员和开发人员需要花费时间去做的事情。由于云计算可以使管理大量 GPU 的分布式训练变得更加容易,所以 InnerEye 深度学习工具包充分利用了 Azure 机器学习服务的优势:
将集群从0扩展到 N 个计算节点,以在多个 GPU 上训练模型
仅按实验次数付费
利用低优先级节点节省成本
使用最新的 GPU、IPU 和 FPGA
使用 Azure 机密计算等高级功能
Azure 机器学习服务使在云上扩大机器学习模型训练和管理规模成为可能
为了在机器学习模型中建立信任关系,遵循行业和社区的最佳实例来保证可靠性、可说明性和透明性是很重要的。InnerEye 深度学习工具包使用 Azure 机器学习服务来管理 DevOps for ML (MLOps),包括:
实验可追溯性:Azure 机器学习服务可完整记录所有已执行的实验,包括代码快照。标签会自动添加到实验中,以帮助筛选和查找旧实验。
实验透明度:所有的团队成员都可以看到彼此的实验和结果。
模型再现性:例如,使用相同代码和数据的两个模型训练将产生相同的度量。所有的随机源,比如多线程,都是受控的。
模型管理:包括具有丰富元数据的版本控制模型。
模型部署:使用 Azure 机器学习服务或 Azure Stack Hub,作为智能边缘解决方案的一部分进行模型部署。
与 Git 集成和持续集成(CI,Continuous Integration)。
此外,该工具包还支持更高级的机器学习开发功能,包括:
使用 Azure 机器学习服务的内置支持进行交叉验证,其中用于单个折叠的模型是并行训练的。这对于医学影像的长时间训练作业尤其重要。
使用 Azure 机器学习服务中的 HyperDrive 进行超参数调优。
通过组合多个不同的模型来构建集成模型,以提高预测性能。
通过使用统计检验,比较新模型和现有模型。
基于已经配置好的方法轻松创建新模型,并从现有体系架构中“继承”。
InnerEye 深度学习工具包的设计以可用性和灵活性为核心,建立在 PyTorch 上,并深度整合了微软 Azure 云计算平台。
医学影像技术堆栈使用了 InnerEye 深度学习工具包和 PyTorch,以及 Azure 机器学习服务和 Azure Stack Hub
在临床上使用
最先进的机器学习技术
NHS 的 Topol Review 强调,技术应该帮助临床医生节省更多的时间。InnerEye 技术就旨在提供构建模块,让用户可以做到这一点。
为了让更多的个人和组织使用机器学习库和技术组件,现在,InnerEye 深度学习工具包已作为开源软件在 GitHub 上发布。该工具包可以被研究人员用来构建和完善他们自己的模型,并将其应用于很多方面,包括我们尚未想到的应用场景。医疗健康提供商、公司和合作伙伴还可以使用此工具包开发自己的机器学习产品和服务,包括使用 Azure Stack Hub (需要经过适当的测试和监管批准,如 FDA 许可、CE 标记或内部豁免控制)。Azure Stack Hub 可以将 Azure 的服务和能力扩展到用户选择的从数据中心到其边缘的整个环境。用户可以在 IT 生态系统中一致地构建、部署和运行混合及边缘应用程序,并充分利用诸如AI和机器学习等云原生服务的优势。Azure 的这一扩展还可以使用户符合监管要求,并实现对延迟敏感的工作负载。
Jena 博士补充道,“通过 Azure Stack Hub 这样的技术,我们有可能自己完善并拥有模型。我们看到了一种方法,可以将机器学习技术整合到治疗路径中,从而形成长期、实用的解决方案,并随着时间的推移不断演进。”
InnerEye 深度学习工具包的潜在应用包括用于监测肿瘤的定量放射学、手术计划和放射治疗计划
微软期待在 InnerEye 深度学习工具包开源的基础上,建立研究和医疗技术社区,最终造福于世界各地的患者。
END
备注:医学影像
医学影像交流群
扫码备注你的研究方向拉你入群。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
在看,让更多人看到
微软开源InnerEye:让医学影像AI普及化相关推荐
- 为什么医学影像AI已进入「后深度学习时代」?
http://blog.itpub.net/29829936/viewspace-2644440/ "深度学习正走向两极化,大部分研究深度学习的人员会偏向于工程化,包括建立更加全面.便捷.快 ...
- 对中国医学影像AI产品商业化的思考
编辑导语:医疗人工智能从2017和2018年的百家争鸣,到2019年融资困难.行业开始洗牌,进入2020年国家药监局已经批准5张医疗AI注册证,医疗AI行业已经过了PPT时代,开始进入商业变现阶段. ...
- #医疗算法招聘:【医学影像AI公司-图像算法工程师】(招2人)
#医疗算法招聘:医疗行业职位分享,欢迎转发,欢迎推荐,谢谢! 职位:[医学影像AI公司-图像算法工程师](招2人) 地点:上海 年薪:30-60W 职责:负责医疗影像AI产品的算法开发. 要求:硕士以 ...
- 权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片
https://www.toutiao.com/a6687825160281522691/ AI 正在对医学成像领域深度渗透,这已是业内共识. 根据市场调查公司 Signify Research 报告 ...
- 聊聊国外医学影像AI集成平台(上)
欢迎扫码关注微信公众号<医影杂记> 医学影像AI是利用人工智能技术对医学影像进行自动处理和分析,例如,自动发现病灶,或自动对疾病进行分类和评级.影像AI好比是影像医生的智能助手,能够让医生 ...
- 百度AI全面开放EasyDL开启AI普及化时代;讯飞翻译机2.0发布:支持34种语言;华为开发能读懂人类情绪的AI技术
百度AI全面开放EasyDL开启AI普及化时代,"小白"也能用AI 百度"燎原计划2018"暨百度AI开发者实战营第二季强势回归,首站北京即放送三大满足各类开发 ...
- 150秒内诊断脑瘤!最新医学影像AI在《Nature Medicine》发表
点击我爱计算机视觉标星,更快获取CVML新技术 本文转载自新智元. 新智元报道 来源:Nature Medicine等 编辑:向学 [新智元导读]<Nature>旗下顶级医学期刊&l ...
- 医学影像AI:全球市场展望
http://vr.sina.cn/news/2019-04-28/detail-ihvhiewr8673295.d.html 凭借其提高的生产力和准确性以及更加个性化的体验,AI正在彻底改变医学成像 ...
- 微软开源!世界首个AI量化投资平台 Qlib 基本使用教程
量化往期推荐 Easytrader 超简单的股市自动交易神器 Lean - 优秀好用的开源量化交易平台 30分钟教你搭建普罗监控系统-股票人气榜实时变化! 可转债交易薅羊毛策略 - Python 量化 ...
最新文章
- [原创]Android Monkey 在线日志分析工具开发
- LeetCode--014--最长公共前缀(java)
- 初探云原生应用管理(二): 为什么你必须尽快转向 Helm v3
- 为什么有些内联(行内)元素可以设置宽高?
- java 容器类 面试_校招面试之Java容器
- BZOJ_1011_[HNOI2008]_遥远的行星_(近似)
- js es6 map 与 原生对象区别
- 深度IP转换器高匿名8级加密企业级专用IP软件
- Linux基础知识总结
- python语言程序设计教程赵璐 第三章 课后习题 程序流程控制
- 什么是数据缩减,无损4:1缩减有多难?
- 【VirtualBoxUbuntu】VirtualBox中Ubuntu虚拟机磁盘碎片整理并压缩磁盘空间
- 操作系统、计算机网络、数据库系统概论等相关面试问题
- css实现三角形对话框,三角形图案
- 神舟zx8sp7s2装linux,战神ZX8-SP7S2游戏本搭GTX1070+桌面i7芯
- 联想计算机桌面字变大,带高分辨率屏幕的联想高分辨率笔记本电脑字体模糊的解决方案...
- Ubuntu新手-谈第一次在Ubuntu升级VMware Tolls
- python中的逻辑量有什么_python小白入门须知的9个基础知识丨纯干货
- 手机如何测光照度_如何3分钟学会用手机的专业模式拍照?
- springboot2稳定版本_SpringBoot2.2.x 版本CPU增高BUG分析|chu
热门文章
- ffmpeg sws_scale函数详解
- 设计模式学习笔记——观察者(Observer)模式
- python定义一个整数变量_python循环定义多个变量的实例分析
- Java中的变量分类_开发简单的Java应用
- php前端路由权限,SaaS-前端权限控制
- 怎么输出一个二维数组_LeetCode54与59,一个口诀教会你旋转二维数组
- c++builder中dbgrid控件排序_如何实现APP中各种布局效果?学会这几个控件就够了...
- mysql 查询前一个月数据_mysql 查询当天、本周,本月,上一个月的数据......
- sonarqube代码检核工具安装
- python classmethod static_python @classmethod 和 @staticmethod