Ακόμη και μετά από περισσότερα από εκατό χρόνια μετά την εισαγωγή της, η ιστολογία παραμένει το χρυσό πρότυπο στη διάγνωση και την πρόγνωση του όγκου. Οι ανατομικοί παθολόγοι αξιολογούν την ιστολογία για να διαστρωματώσουν τους καρκινοπαθείς σε διαφορετικές ομάδες ανάλογα με τους γονότυπους και τους φαινοτύπους του όγκου τους και την κλινική τους έκβαση [1,2]. Ωστόσο, η ανθρώπινη αξιολόγηση των ιστολογικών πλακών είναι υποκειμενική και δεν μπορεί να επαναληφθεί [3]. Επιπλέον, η ιστολογική αξιολόγηση είναι μια χρονοβόρα διαδικασία που απαιτεί άριστα εκπαιδευμένους επαγγελματίες.
Με σημαντικές τεχνολογικές προόδους την τελευταία δεκαετία, τεχνικές όπως η απεικόνιση ολόκληρων διαφανειών (WSI) και η βαθιά εκμάθηση (DL) είναι πλέον ευρέως διαθέσιμες. Το WSI είναι η σάρωση συμβατικών γυάλινων διαφανειών μικροσκοπίου για την παραγωγή μιας ενιαίας εικόνας υψηλής ανάλυσης από αυτές τις διαφάνειες. Αυτό επιτρέπει την ψηφιοποίηση και τη συλλογή μεγάλων συνόλων εικόνων παθολογίας, οι οποίες θα ήταν απαγορευτικά χρονοβόρες και δαπανηρές. Η διαθεσιμότητα τέτοιων συνόλων δεδομένων δημιουργεί νέους και καινοτόμους τρόπους επιτάχυνσης της διάγνωσης χρησιμοποιώντας τεχνικές όπως η μηχανική μάθηση (ML) για να βοηθήσουν τους παθολόγους να επιταχύνουν τις διαγνώσεις εντοπίζοντας γρήγορα χαρακτηριστικά ενδιαφέροντος.
Σε αυτήν την ανάρτηση, θα διερευνήσουμε πώς μπορούν να χρησιμοποιήσουν προγραμματιστές χωρίς προηγούμενη εμπειρία ML Προσαρμοσμένες ετικέτες αναγνώρισης Amazon να εκπαιδεύσει ένα μοντέλο που ταξινομεί τα κυψελωτά χαρακτηριστικά. Το Amazon Rekognition Custom Labels είναι ένα χαρακτηριστικό του Αναγνώριση Amazon που σας δίνει τη δυνατότητα να δημιουργήσετε τις δικές σας εξειδικευμένες δυνατότητες ανάλυσης εικόνας που βασίζονται σε ML για να ανιχνεύσετε μοναδικά αντικείμενα και σκηνές αναπόσπαστα στη συγκεκριμένη περίπτωση χρήσης σας. Συγκεκριμένα, χρησιμοποιούμε ένα σύνολο δεδομένων που περιέχει εικόνες ολόκληρων διαφανειών καρκινώματος μαστού σκύλου [1] για να δείξουμε πώς να επεξεργαζόμαστε αυτές τις εικόνες και να εκπαιδεύσουμε ένα μοντέλο που ανιχνεύει μιτωτικές φιγούρες. Αυτό το σύνολο δεδομένων έχει χρησιμοποιηθεί με την άδεια του καθηγητή Dr. Marc Aubreville, ο οποίος συμφώνησε ευγενικά να μας επιτρέψει να το χρησιμοποιήσουμε για αυτήν την ανάρτηση. Για περισσότερες πληροφορίες, ανατρέξτε στην ενότητα Ευχαριστίες στο τέλος αυτής της ανάρτησης.
Επισκόπηση λύσεων
Η λύση αποτελείται από δύο συστατικά:
- Ένα μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon — Για να ενεργοποιήσουμε το Amazon Rekognition να ανιχνεύει μιτωτικά σχήματα, ολοκληρώνουμε τα ακόλουθα βήματα:
- Δείξτε το σύνολο δεδομένων WSI για να δημιουργήσετε εικόνες επαρκούς μεγέθους χρησιμοποιώντας Στούντιο Amazon SageMaker και έναν κώδικα Python που τρέχει σε ένα σημειωματάριο Jupyter. Το Studio είναι ένα διαδικτυακό, ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) για ML που παρέχει όλα τα εργαλεία που χρειάζεστε για να μεταφέρετε τα μοντέλα σας από τον πειραματισμό στην παραγωγή, ενώ παράλληλα ενισχύει την παραγωγικότητά σας. Θα χρησιμοποιήσουμε το Studio για να χωρίσουμε τις εικόνες σε μικρότερες για να εκπαιδεύσουμε το μοντέλο μας.
- Εκπαιδεύστε ένα μοντέλο Προσαρμοσμένων Ετικετών Αναγνώρισης της Amazon για να αναγνωρίζει μιτωτικές μορφές σε δείγματα αιματοξυλίνης-ηωσίνης χρησιμοποιώντας τα δεδομένα που παρασκευάστηκαν στο προηγούμενο βήμα.
- Μια εφαρμογή frontend — Για να δείξουμε πώς να χρησιμοποιήσετε ένα μοντέλο όπως αυτό που εκπαιδεύσαμε στο προηγούμενο βήμα, ολοκληρώνουμε τα ακόλουθα βήματα:
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.
Όλοι οι απαραίτητοι πόροι για την ανάπτυξη της υλοποίησης που συζητείται σε αυτήν την ανάρτηση και ο κώδικας για ολόκληρη την ενότητα είναι διαθέσιμοι στο GitHub. Μπορείτε να κλωνοποιήσετε ή να διαχωρίσετε το αποθετήριο, να κάνετε όποιες αλλαγές θέλετε και να το εκτελέσετε μόνοι σας.
Στα επόμενα βήματα, περιηγούμαστε στον κώδικα για να κατανοήσουμε τα διάφορα βήματα που απαιτούνται για τη λήψη και την προετοιμασία των δεδομένων, την εκπαίδευση του μοντέλου και τη χρήση του από ένα δείγμα εφαρμογής.
Δικαστικά έξοδα
Κατά την εκτέλεση των βημάτων σε αυτήν την αναλυτική περιγραφή, επιβαρύνεστε με μικρό κόστος από τη χρήση των ακόλουθων υπηρεσιών AWS:
- Αναγνώριση Amazon
- AWS Fargate
- Ισορροπία φόρτωσης εφαρμογής
- Διευθυντής μυστικών AWS
Επιπλέον, εάν δεν είστε πλέον εντός της περιόδου ή των συνθηκών Free Tier, ενδέχεται να επιβαρυνθείτε με κόστος από τις ακόλουθες υπηρεσίες:
- CodePipeline
- CodeBuild
- ECR Amazon
- Amazon Sage Maker
Εάν ολοκληρώσετε σωστά τα βήματα εκκαθάρισης μετά την ολοκλήρωση αυτής της αναλυτικής περιγραφής, ενδέχεται να αναμένετε ότι το κόστος θα είναι μικρότερο από 10 USD, εάν το μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon και η εφαρμογή Ιστού εκτελούνται για μία ώρα ή λιγότερο.
Προϋποθέσεις
Για να ολοκληρώσετε όλα τα βήματα, χρειάζεστε τα εξής:
Εκπαίδευση του μοντέλου ταξινόμησης μιτωτικών μορφών
Εκτελούμε όλα τα βήματα που απαιτούνται για την εκπαίδευση του μοντέλου από ένα φορητό υπολογιστή Studio. Εάν δεν έχετε χρησιμοποιήσει ποτέ το Studio στο παρελθόν, ίσως χρειαστεί να το κάνετε εν πλω πρώτα. Για περισσότερες πληροφορίες, βλ Επιβιβαστείτε γρήγορα στο Amazon SageMaker Studio.
Ορισμένα από τα παρακάτω βήματα απαιτούν περισσότερη μνήμη RAM από αυτή που είναι διαθέσιμη σε ένα τυπικό σημειωματάριο ml.t3.medium. Βεβαιωθείτε ότι έχετε επιλέξει ένα σημειωματάριο ml.m5.large. Θα πρέπει να δείτε μια ένδειξη 2 vCPU + 8 GiB στην επάνω δεξιά γωνία της σελίδας.
Ο κωδικός αυτής της ενότητας είναι διαθέσιμος ως α Αρχείο σημειωματάριων Jupyter.
Μετά την επιβίβαση στο Studio, ακολουθήστε αυτές τις οδηγίες για να εκχωρήσετε στο Studio τα απαραίτητα δικαιώματα για να καλέσετε το Amazon Rekognition εκ μέρους σας.
Εξαρτήσεις
Αρχικά, πρέπει να ολοκληρώσουμε τα παρακάτω βήματα:
- Ενημερώστε τα πακέτα Linux και εγκαταστήστε τις απαιτούμενες εξαρτήσεις, όπως το OpenSlide:
- Εγκαταστήστε τις βιβλιοθήκες fastai και SlideRunner χρησιμοποιώντας το pip:
- Κατεβάστε το σύνολο δεδομένων (παρέχουμε ένα σενάριο για να το κάνετε αυτό αυτόματα):
Επεξεργαστείτε το σύνολο δεδομένων
Θα ξεκινήσουμε εισάγοντας μερικά από τα πακέτα που χρησιμοποιούμε σε όλο το στάδιο προετοιμασίας δεδομένων. Στη συνέχεια, κατεβάζουμε και φορτώνουμε τη βάση δεδομένων σχολίων για αυτό το σύνολο δεδομένων. Αυτή η βάση δεδομένων περιέχει τις θέσεις σε ολόκληρες τις εικόνες διαφάνειας των μιτωτικών μορφών (τα χαρακτηριστικά που θέλουμε να ταξινομήσουμε). Δείτε τον παρακάτω κώδικα:
Επειδή χρησιμοποιούμε το SageMaker, δημιουργούμε ένα νέο SageMaker Συνεδρίαση αντίκειται στην ευκολία εργασιών, όπως η μεταφόρτωση του συνόλου δεδομένων μας σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος. Χρησιμοποιούμε επίσης τον κάδο S3 που δημιουργεί από προεπιλογή το SageMaker για να ανεβάσουμε τα επεξεργασμένα αρχεία εικόνας μας.
Η slidelist_test
Ο πίνακας περιέχει τα αναγνωριστικά των διαφανειών που χρησιμοποιούμε ως μέρος του συνόλου δεδομένων δοκιμής για να αξιολογήσουμε την απόδοση του εκπαιδευμένου μοντέλου. Δείτε τον παρακάτω κώδικα:
Το επόμενο βήμα είναι να αποκτήσουμε ένα σύνολο περιοχών εκπαίδευσης και δοκιμαστικών διαφανειών, μαζί με τις ετικέτες σε αυτές, από τις οποίες μπορούμε να χρησιμοποιήσουμε μικρότερες περιοχές για να εκπαιδεύσουμε το μοντέλο μας. Ο κώδικας για το get_slides βρίσκεται στο αρχείο sampling.py GitHub.
Θέλουμε να πάρουμε τυχαία δείγματα από τις διαφάνειες εκπαίδευσης και δοκιμής. Χρησιμοποιούμε τις λίστες προπονήσεων και δοκιμαστικών διαφανειών και επιλέγουμε τυχαία n_training_images
φορές ένα αρχείο για εκπαίδευση, και n_test_images
φορές ένα αρχείο για δοκιμή:
Στη συνέχεια, δημιουργούμε έναν κατάλογο για εικόνες εκπαίδευσης και έναν για δοκιμαστικές εικόνες:
Πριν δημιουργήσουμε τις μικρότερες εικόνες που απαιτούνται για την εκπαίδευση του μοντέλου, χρειαζόμαστε κάποιον βοηθητικό κώδικα που παράγει τα μεταδεδομένα που απαιτούνται για την περιγραφή των δεδομένων εκπαίδευσης και δοκιμής. Ο ακόλουθος κώδικας διασφαλίζει ότι ένα δεδομένο πλαίσιο οριοθέτησης που περιβάλλει τα χαρακτηριστικά ενδιαφέροντος (μιτωτικές φιγούρες) βρίσκεται καλά εντός της ζώνης που κόβουμε και δημιουργεί μια γραμμή JSON που περιγράφει την εικόνα και τα χαρακτηριστικά σε αυτήν σε Amazon SageMaker Ground Αλήθεια μορφή, η οποία είναι η μορφή που απαιτούν οι προσαρμοσμένες ετικέτες αναγνώρισης Amazon. Για περισσότερες πληροφορίες σχετικά με αυτό το αρχείο μανιφέστου για εντοπισμό αντικειμένων, βλ Εντοπισμός αντικειμένων σε αρχεία δήλωσης.
Με την generate_annotations
λειτουργεί στη θέση του, μπορούμε να γράψουμε τον κώδικα για την παραγωγή των εικόνων εκπαίδευσης και δοκιμής:
Το τελευταίο βήμα για να έχετε όλα τα απαιτούμενα δεδομένα είναι να γράψετε a manifest.json
αρχείο για καθένα από τα σύνολα δεδομένων:
Μεταφέρετε τα αρχεία στο S3
Χρησιμοποιούμε το upload_data
μέθοδος που εκθέτει το αντικείμενο περιόδου λειτουργίας SageMaker για τη μεταφόρτωση των εικόνων και των αρχείων δήλωσης στον προεπιλεγμένο κάδο SageMaker S3:
Εκπαιδεύστε ένα μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon
Με τα δεδομένα ήδη στο Amazon S3, μπορούμε να φτάσουμε στην εκπαίδευση ενός προσαρμοσμένου μοντέλου. Χρησιμοποιούμε τη βιβλιοθήκη Boto3 για να δημιουργήσουμε έναν πελάτη Amazon Rekognition και να δημιουργήσουμε ένα έργο:
Με το έργο έτοιμο προς χρήση, τώρα χρειάζεστε μια έκδοση έργου που να δείχνει τα σύνολα δεδομένων εκπαίδευσης και δοκιμής στο Amazon S3. Κάθε έκδοση δείχνει ιδανικά σε διαφορετικά σύνολα δεδομένων (ή διαφορετικές εκδόσεις του). Αυτό μας δίνει τη δυνατότητα να έχουμε διαφορετικές εκδόσεις ενός μοντέλου, να συγκρίνουμε την απόδοσή τους και να αλλάζουμε μεταξύ τους ανάλογα με τις ανάγκες. Δείτε τον παρακάτω κώδικα:
Αφού δημιουργήσουμε την έκδοση του έργου, το Amazon Rekognition ξεκινά αυτόματα τη διαδικασία εκπαίδευσης. Ο χρόνος εκπαίδευσης εξαρτάται από πολλά χαρακτηριστικά, όπως το μέγεθος των εικόνων και τον αριθμό τους, τον αριθμό των μαθημάτων κ.λπ. Σε αυτήν την περίπτωση, για 500 εικόνες, η εκπαίδευση διαρκεί περίπου 90 λεπτά για να ολοκληρωθεί.
Δοκιμάστε το μοντέλο
Μετά την εκπαίδευση, κάθε μοντέλο στο Amazon Rekognition Custom Labels βρίσκεται στο STOPPED
κατάσταση. Για να το χρησιμοποιήσετε για συμπέρασμα, πρέπει να το ξεκινήσετε. Λαμβάνουμε την έκδοση έργου ARN από την περιγραφή της έκδοσης του έργου και τη μεταβιβάζουμε στο start_project_version
. Παρατηρήστε το MinInferenceUnits
παράμετρος — ξεκινάμε με μία μονάδα συμπερασμάτων. Ο πραγματικός μέγιστος αριθμός συναλλαγών ανά δευτερόλεπτο (TPS) που υποστηρίζει αυτή η μονάδα συμπερασμάτων εξαρτάται από την πολυπλοκότητα του μοντέλου σας. Για να μάθετε περισσότερα σχετικά με το TPS, ανατρέξτε σε αυτό ανάρτηση.
Όταν η έκδοση του έργου σας αναφέρεται ως RUNNING
, μπορείτε να ξεκινήσετε να στέλνετε εικόνες στο Amazon Rekognition για συμπεράσματα.
Χρησιμοποιούμε ένα από τα αρχεία στο σύνολο δεδομένων δοκιμής για να δοκιμάσουμε το μοντέλο που ξεκίνησε πρόσφατα. Μπορείτε να χρησιμοποιήσετε οποιοδήποτε κατάλληλο αρχείο PNG ή JPEG.
Εφαρμογή Streamlit
Για να δείξουμε την ενσωμάτωση με το Amazon Rekognition, χρησιμοποιούμε μια πολύ απλή εφαρμογή Python. Χρησιμοποιούμε το Ροή βιβλιοθήκη για τη δημιουργία μιας σπαρτιατικής διεπαφής χρήστη, όπου ζητάμε από τον χρήστη να ανεβάσει ένα αρχείο εικόνας.
Χρησιμοποιούμε τη βιβλιοθήκη Boto3 και το detect_custom_labels
μέθοδος, μαζί με την έκδοση έργου ARN, για να καλέσετε το τελικό σημείο συμπερασμάτων. Η απάντηση είναι ένα έγγραφο JSON που περιέχει τις θέσεις και τις τάξεις των διαφορετικών αντικειμένων που ανιχνεύονται στην εικόνα. Στην περίπτωσή μας, αυτά είναι τα μιτωτικά σχήματα που έχει βρει ο αλγόριθμος στην εικόνα που στείλαμε στο τελικό σημείο. Δείτε τον παρακάτω κώδικα:
Αναπτύξτε την εφαρμογή στο AWS
Για να αναπτύξουμε την εφαρμογή, χρησιμοποιούμε μια δέσμη ενεργειών AWS CDK. Ολόκληρο το έργο βρίσκεται στο GitHub . Ας δούμε τους διαφορετικούς πόρους που αναπτύσσονται από το σενάριο.
Δημιουργήστε ένα αποθετήριο Amazon ECR
Ως το πρώτο βήμα για τη ρύθμιση της ανάπτυξής μας, δημιουργούμε ένα αποθετήριο Amazon ECR, όπου μπορούμε να αποθηκεύσουμε τις εικόνες του κοντέινερ της εφαρμογής μας:
Δημιουργήστε και αποθηκεύστε το διακριτικό GitHub στο AWS Secrets Manager
Το CodePipeline χρειάζεται ένα GitHub Personal Access Token για να παρακολουθεί το αποθετήριο GitHub για αλλαγές και έλξη κώδικα. Για να δημιουργήσετε το διακριτικό, ακολουθήστε τις οδηγίες στο Τεκμηρίωση GitHub. Το διακριτικό απαιτεί τα ακόλουθα πεδία GitHub:
- Η
repo
scope, το οποίο χρησιμοποιείται για τον πλήρη έλεγχο για την ανάγνωση και την έλξη τεχνουργημάτων από δημόσια και ιδιωτικά αποθετήρια σε μια διοχέτευση. - Η
admin:repo_hook
scope, το οποίο χρησιμοποιείται για τον πλήρη έλεγχο των αγκίστρων αποθήκης.
Αφού δημιουργήσετε το διακριτικό, αποθηκεύστε το σε ένα νέο μυστικό Διευθυντής μυστικών AWS ως ακολούθως:
Γράψτε τις παραμέτρους διαμόρφωσης στο AWS Systems Manager Parameter Store
Η δέσμη ενεργειών AWS CDK διαβάζει ορισμένες παραμέτρους διαμόρφωσης από Κατάστημα παραμέτρων AWS Systems Manager, όπως το όνομα και ο κάτοχος του αποθετηρίου GitHub και ο λογαριασμός και η περιοχή στόχευσης. Πριν ξεκινήσετε τη δέσμη ενεργειών AWS CDK, πρέπει να δημιουργήσετε αυτές τις παραμέτρους στον δικό σας λογαριασμό.
Μπορείτε να το κάνετε αυτό χρησιμοποιώντας το AWS CLI. Απλώς επικαλέστε το put-parameter
εντολή με ένα όνομα, μια τιμή και τον τύπο της παραμέτρου:
Ακολουθεί μια λίστα με όλες τις παραμέτρους που απαιτούνται από τη δέσμη ενεργειών AWS CDK. Όλοι τους είναι τύπου String
:
- /rek_wsi/prod/accountId — Το αναγνωριστικό του λογαριασμού στον οποίο αναπτύσσουμε την εφαρμογή.
- /rek_wsi/prod/ecr_repo_name — Το όνομα του αποθετηρίου ECR του Amazon όπου αποθηκεύονται οι εικόνες του κοντέινερ.
- /rek_wsi/prod/github/branch — Ο κλάδος στο αποθετήριο GitHub από τον οποίο το CodePipeline πρέπει να αντλήσει τον κώδικα.
- /rek_wsi/prod/github/owner — Ο κάτοχος του αποθετηρίου GitHub.
- /rek_wsi/prod/github/repo — Το όνομα του αποθετηρίου GitHub όπου είναι αποθηκευμένος ο κώδικάς μας.
- /rek_wsi/prod/github/token — Το όνομα ή το ARN του μυστικού στο Secrets Manager που περιέχει το διακριτικό ελέγχου ταυτότητας GitHub. Αυτό είναι απαραίτητο για να μπορεί το CodePipeline να επικοινωνεί με το GitHub.
- /rek_wsi/prod/region — Η περιοχή όπου θα αναπτύξουμε την εφαρμογή.
Παρατηρήστε το prod
τμήμα σε όλα τα ονόματα παραμέτρων. Αν και δεν χρειαζόμαστε αυτό το επίπεδο λεπτομέρειας για ένα τόσο απλό παράδειγμα, θα επιτρέψει την εκ νέου χρήση αυτής της προσέγγισης με άλλα έργα όπου μπορεί να απαιτούνται διαφορετικά περιβάλλοντα.
Πόροι που δημιουργήθηκαν από το σενάριο AWS CDK
Χρειαζόμαστε την εφαρμογή μας, που εκτελείται σε μια εργασία Fargate, να έχει δικαιώματα για να επικαλείται το Amazon Rekognition. Έτσι δημιουργούμε πρώτα ένα Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) Ρόλος εργασίας με το RekognitionReadOnlyPolicy
πολιτική που συνδέεται με αυτό. Παρατηρήστε ότι το assumed_by
παράμετρος στον παρακάτω κώδικα παίρνει το ecs-tasks.amazonaws.com
εντολέας υπηρεσίας. Αυτό συμβαίνει επειδή χρησιμοποιούμε το Amazon ECS ως ενορχηστρωτή, επομένως χρειαζόμαστε το Amazon ECS για να αναλάβει το ρόλο και να περάσει τα διαπιστευτήρια στην εργασία Fargate.
Μόλις κατασκευαστεί, η εικόνα του κοντέινερ της εφαρμογής μας βρίσκεται σε ένα ιδιωτικό αποθετήριο Amazon ECR. Χρειαζόμαστε ένα αντικείμενο που να το περιγράφει το οποίο μπορούμε να περάσουμε κατά τη δημιουργία της υπηρεσίας Fargate:
Δημιουργούμε ένα νέο VPC και ένα σύμπλεγμα για αυτήν την εφαρμογή. Μπορείτε να τροποποιήσετε αυτό το τμήμα για να χρησιμοποιήσετε το δικό σας VPC χρησιμοποιώντας το from_lookup
μέθοδος του Vpc
τάξη:
Τώρα που έχουμε ένα VPC και ένα σύμπλεγμα για ανάπτυξη, δημιουργούμε την υπηρεσία Fargate. Χρησιμοποιούμε 0.25 vCPU και 512 MB RAM για αυτήν την εργασία και τοποθετούμε ένα δημόσιο Application Load Balancer (ALB) μπροστά του. Μόλις αναπτυχθεί, χρησιμοποιούμε το ALB CNAME για πρόσβαση στην εφαρμογή. Δείτε τον παρακάτω κώδικα:
Για να δημιουργήσουμε και να αναπτύξουμε αυτόματα μια νέα εικόνα κοντέινερ κάθε φορά που πιέζουμε κώδικα στον κύριο κλάδο μας, δημιουργούμε μια απλή διοχέτευση που αποτελείται από μια ενέργεια πηγής GitHub και ένα βήμα κατασκευής. Εδώ χρησιμοποιούμε τα μυστικά που αποθηκεύσαμε στο AWS Secrets Manager και στο AWS Systems Manager Parameter Store στα προηγούμενα βήματα.
Το CodeBuild χρειάζεται δικαιώματα για να προωθήσει τις εικόνες κοντέινερ στο Amazon ECR. Για να παραχωρήσουμε αυτά τα δικαιώματα, προσθέτουμε το AmazonEC2ContainerRegistryFullAccess
πολιτική για έναν εξατομικευμένο ρόλο IAM που μπορεί να αναλάβει ο κύριος υπηρεσίας CodeBuild:
Το έργο CodeBuild συνδέεται στο ιδιωτικό αποθετήριο Amazon ECR, δημιουργεί την εικόνα Docker με την εφαρμογή Streamlit και ωθεί την εικόνα στο αποθετήριο μαζί με ένα appspec.yaml
και ένα imagedefinitions.json
αρχείο.
Η appspec.yaml
αρχείο περιγράφει την εργασία (θύρα, έκδοση πλατφόρμας Fargate κ.λπ.), ενώ το imagedefinitions.json
Το αρχείο αντιστοιχίζει τα ονόματα των εικόνων κοντέινερ στο αντίστοιχο Amazon ECR URI. Δείτε τον παρακάτω κώδικα:
Τέλος, ενώνουμε τα διάφορα στάδια του αγωγού. Η τελευταία ενέργεια είναι η EcsDeployAction
, το οποίο λαμβάνει την εικόνα του κοντέινερ που δημιουργήθηκε στο προηγούμενο στάδιο και κάνει μια κυλιόμενη ενημέρωση των εργασιών στο σύμπλεγμα ECS μας:
Εκκαθάριση
Για να αποφύγετε μελλοντικά κόστη, καθαρίστε τους πόρους που δημιουργήσατε ως μέρος αυτής της λύσης.
Μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon
Προτού τερματίσετε τη λειτουργία του φορητού υπολογιστή Studio, βεβαιωθείτε ότι έχετε σταματήσει το μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon. Εάν δεν το κάνετε, συνεχίζει να επιβαρύνει το κόστος.
Εναλλακτικά, μπορείτε να χρησιμοποιήσετε την κονσόλα Amazon Rekognition για να διακόψετε την υπηρεσία:
- Στην Amazon Recognition κονσόλα, επιλέξτε Χρησιμοποιήστε προσαρμοσμένες ετικέτες στο παράθυρο πλοήγησης.
- Επιλέξτε Έργα στο παράθυρο πλοήγησης.
- Επιλέξτε την έκδοση 1 του
rek-mitotic-figures-workshop
του έργου. - Στις Χρησιμοποιήστε το μοντέλο καρτέλα, επιλέξτε στάση.
Εφαρμογή Streamlit
Για να καταστρέψετε όλους τους πόρους που σχετίζονται με την εφαρμογή Streamlit, εκτελέστε τον ακόλουθο κώδικα από τον κατάλογο εφαρμογών AWS CDK:
Διευθυντής μυστικών AWS
Για να διαγράψετε το διακριτικό GitHub, ακολουθήστε τις οδηγίες στο τεκμηρίωση.
Συμπέρασμα
Σε αυτήν την ανάρτηση, ακολουθήσαμε τα απαραίτητα βήματα για να εκπαιδεύσουμε ένα μοντέλο προσαρμοσμένων ετικετών αναγνώρισης Amazon για μια εφαρμογή ψηφιακής παθολογίας που χρησιμοποιεί δεδομένα πραγματικού κόσμου. Στη συνέχεια μάθαμε πώς να χρησιμοποιούμε το μοντέλο από μια απλή εφαρμογή που αναπτύχθηκε από έναν αγωγό CI/CD στο Fargate.
Το Amazon Rekognition Custom Labels σάς δίνει τη δυνατότητα να δημιουργήσετε εφαρμογές υγειονομικής περίθαλψης με δυνατότητα ML που μπορείτε να δημιουργήσετε και να αναπτύξετε εύκολα χρησιμοποιώντας υπηρεσίες όπως το Fargate, το CodeBuild και το CodePipeline.
Μπορείτε να σκεφτείτε κάποιες εφαρμογές που θα βοηθήσουν τους ερευνητές, τους γιατρούς ή τους ασθενείς τους να κάνουν τη ζωή τους πιο εύκολη; Εάν ναι, χρησιμοποιήστε τον κώδικα σε αυτήν την περιγραφή για να δημιουργήσετε την επόμενη εφαρμογή σας. Και αν έχετε οποιεσδήποτε ερωτήσεις, μοιραστείτε τις στην ενότητα σχολίων.
Ευχαριστίες
Θα θέλαμε να ευχαριστήσουμε τον καθηγητή Dr. Marc Aubreville που μας έδωσε ευγενικά την άδεια να χρησιμοποιήσουμε το σύνολο δεδομένων MITOS_WSI_CMC για αυτήν την ανάρτηση ιστολογίου. Το σύνολο δεδομένων μπορεί να βρεθεί στο GitHub.
αναφορές
[1] Aubreville, Μ., Bertram, CA, Donovan, TA et al. Ένα πλήρως σχολιασμένο σύνολο δεδομένων εικόνας διαφανειών για τον καρκίνο του μαστού σκύλου για να βοηθήσει την έρευνα για τον καρκίνο του μαστού στον άνθρωπο. Sci Data 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khened, M., Kori, A., Rajkumar, H. et αϊ. Ένα γενικευμένο πλαίσιο βαθιάς μάθησης για τμηματοποίηση και ανάλυση εικόνων ολόκληρων διαφανειών. Sci Rep 11, 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 Μαρτίου 2018 115 (13) E2970-E2979; πρώτη δημοσίευση 12 Μαρτίου 2018. https://doi.org/10.1073/pnas.1717139115
Σχετικά με το Συγγραφέας
Pablo Nuñez Pölcher, MSc, είναι Ανώτερος Αρχιτέκτονας Λύσεων που εργάζεται για την ομάδα του Δημόσιου Τομέα με τις Υπηρεσίες Ιστού της Amazon. Ο Pablo εστιάζει στο να βοηθά τους πελάτες του δημόσιου τομέα της υγειονομικής περίθαλψης να δημιουργήσουν νέα, καινοτόμα προϊόντα στο AWS σύμφωνα με τις βέλτιστες πρακτικές. Έλαβε το M.Sc. στις Βιολογικές Επιστήμες από το Universidad de Buenos Aires. Στον ελεύθερο χρόνο του, του αρέσει να κάνει ποδήλατο και να ασχολείται με ενσωματωμένες συσκευές με δυνατότητα ML.
Ραζβάν Ιονασέκ, PhD, MBA, είναι ο τεχνικός ηγέτης για την υγειονομική περίθαλψη στην Amazon Web Services στην Ευρώπη, τη Μέση Ανατολή και την Αφρική. Η δουλειά του επικεντρώνεται στο να βοηθά τους πελάτες της υγειονομικής περίθαλψης να λύσουν επιχειρηματικά προβλήματα αξιοποιώντας την τεχνολογία. Προηγουμένως, ο Razvan ήταν ο παγκόσμιος επικεφαλής προϊόντων τεχνητής νοημοσύνης (AI) στη Siemens Healthineers, υπεύθυνος για το AI-Rad Companion, την οικογένεια ψηφιακών λύσεων υγείας που βασίζονται σε τεχνητή νοημοσύνη και cloud για απεικόνιση. Κατέχει 30+ διπλώματα ευρεσιτεχνίας σε AI/ML για ιατρική απεικόνιση και έχει δημοσιεύσει 70+ διεθνείς τεχνικές και κλινικές δημοσιεύσεις με κριτές για την όραση υπολογιστή, την υπολογιστική μοντελοποίηση και την ανάλυση ιατρικής εικόνας. Ο Razvan έλαβε το διδακτορικό του στην Επιστήμη των Υπολογιστών από το Τεχνικό Πανεπιστήμιο του Μονάχου και το MBA από το Πανεπιστήμιο του Cambridge, Judge Business School.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- Σχετικά
- επιταχύνουν
- πρόσβαση
- Λογαριασμός
- Ενέργειες
- Αφρική
- AI
- αλγόριθμος
- Όλα
- ήδη
- Αν και
- Amazon
- Αναγνώριση Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- ανάλυση
- Εφαρμογή
- εφαρμογές
- APT
- αρχιτεκτονική
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- Ενεργητικό
- Πιστοποίηση
- διαθεσιμότητα
- διαθέσιμος
- AWS
- Balancer
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Blog
- ενίσχυση
- Κουτί
- Καρκίνος του μαστού
- χτίζω
- επιχείρηση
- κλήση
- cambridge
- Μπορεί να πάρει
- ΚΑΡΚΙΝΟΣ
- έρευνα για τον καρκίνο
- χρέωση
- ταξινόμηση
- κωδικός
- συλλογή
- σχόλια
- Πληροφορική
- Computer Vision
- εμπιστοσύνη
- διαμόρφωση
- πρόξενος
- Δοχείο
- Εμπορευματοκιβώτια
- Περιέχει
- συνεχίζεται
- Δικαστικά έξοδα
- δημιουργία
- Διαπιστεύσεις
- Πελάτες
- ημερομηνία
- βάση δεδομένων
- βάσεις δεδομένων
- βαθιά μάθηση
- καταστρέψει
- λεπτομέρεια
- Ανίχνευση
- προγραμματιστές
- Ανάπτυξη
- Συσκευές
- διαφορετικές
- ψηφιακό
- Ψηφιακή υγεία
- ψηφιοποίηση
- Λιμενεργάτης
- Γιατροί
- κάτω
- εύκολα
- ηχώ
- Τελικό σημείο
- Περιβάλλον
- Ευρώπη
- παράδειγμα
- εμπειρία
- εξαγωγή
- οικογένεια
- Χαρακτηριστικό
- Χαρακτηριστικά
- Εικόνα
- Όνομα
- ακολουθήστε
- πιρούνι
- μορφή
- Βρέθηκαν
- Πλαίσιο
- Δωρεάν
- πλήρη
- λειτουργία
- μελλοντικός
- παράγουν
- γεωμετρία
- GitHub
- Δίνοντας
- Παγκόσμιο
- Χρυσό
- χορηγεί
- επιχορηγήσεις
- που έχει
- κεφάλι
- Υγεία
- υγειονομική περίθαλψη
- βοήθεια
- εδώ
- Πως
- Πώς να
- HTTPS
- IAM
- Ταυτότητα
- εικόνα
- ανάλυση εικόνας
- τμηματοποίηση εικόνας
- Απεικόνιση
- εισαγωγή
- πληροφορίες
- καινοτόμες
- ολοκλήρωμα
- ολοκλήρωση
- Νοημοσύνη
- τόκος
- International
- συμμετέχουν
- IT
- Jupyter Notebook
- Ετικέτες
- large
- αργότερο
- δρομολόγηση
- ΜΑΘΑΊΝΩ
- μάθει
- μάθηση
- Επίπεδο
- Βιβλιοθήκη
- γραμμή
- linux
- Λίστα
- Λίστες
- φορτίο
- Τοπική Προσαρμογή
- μάθηση μηχανής
- χάρτες
- Μάρτιος
- ιατρικών
- ιατρική απεικόνιση
- medium
- Μέση Ανατολή
- ML
- μοντέλο
- μοντελοποίηση
- μοντέλα
- περισσότερο
- Μόναχο
- ονόματα
- Πλοήγηση
- που απαιτούνται
- Ανίχνευση αντικειμένων
- Επί του σκάφους
- ΑΛΛΑ
- ιδιοκτήτης
- Διπλώματα ευρεσιτεχνίας
- παθολογία
- pacientes
- επίδοση
- προσωπικός
- πλατφόρμες
- πολιτική
- Κύριος
- ιδιωτικός
- διαδικασια μας
- παραγωγή
- παραγωγικότητα
- Προϊόντα
- επαγγελματίες
- σχέδιο
- έργα
- παρέχουν
- παρέχει
- δημόσιο
- του δημόσιου τομέα
- δημοσιεύσεις
- Python
- RAM
- έρευνα
- Υποστηρικτικό υλικό
- απάντησης
- τρέξιμο
- τρέξιμο
- σοφός
- σάρωσης
- Σχολείο
- Επιστήμη
- ΕΠΙΣΤΗΜΕΣ
- τομέας
- επιλέγονται
- Υπηρεσίες
- σειρά
- τον καθορισμό
- Κοινοποίηση
- Siemens
- σημαντικός
- Απλούς
- Μέγεθος
- small
- So
- Λύσεις
- SOLVE
- Χώρος
- ειδικευμένος
- διαίρεση
- Στάδιο
- Εκκίνηση
- ξεκίνησε
- Κατάσταση
- Κατάσταση
- χώρος στο δίσκο
- κατάστημα
- στούντιο
- Υποστηρίζει
- διακόπτης
- συστήματα
- στόχος
- Τεχνικός
- τεχνικές
- Τεχνολογία
- δοκιμή
- Η Πηγη
- Μέσω
- ώρα
- χρονοβόρος
- μαζι
- ένδειξη
- εργαλεία
- κορυφή
- Εκπαίδευση
- Συναλλαγές
- μοναδικός
- πανεπιστήμιο
- Πανεπιστήμιο του Κέιμπριτζ
- Ενημέρωση
- URI
- us
- USD
- αξία
- εκδοχή
- όραμα
- W
- ιστός
- διαδικτυακές υπηρεσίες
- Web-based
- Τι
- Τι είναι
- Ο ΟΠΟΊΟΣ
- ευρέως
- εντός
- χωρίς
- Εργασία
- εργαζόμενος
- θα
- γραφή
- X
- χρόνια
- YouTube