Jopa yli sadan vuoden kuluttua käyttöönotosta, histologia on edelleen kultainen standardi kasvaindiagnoosissa ja -ennusteessa. Anatomiset patologit arvioivat histologiaa jakaakseen syöpäpotilaat eri ryhmiin kasvaimen genotyyppien ja fenotyyppien sekä kliinisen lopputuloksen mukaan [1,2]. Histologisten objektilasien ihmisen arviointi on kuitenkin subjektiivinen eikä toistettavissa [3]. Lisäksi histologinen arviointi on aikaa vievä prosessi, joka vaatii korkeasti koulutettuja ammattilaisia.
Viime vuosikymmenen aikana tapahtuneen merkittävän teknisen edistyksen myötä tekniikat, kuten koko diakuvantaminen (WSI) ja syväoppiminen (DL), ovat nyt laajalti saatavilla. WSI on perinteisten mikroskooppilasilevyjen skannaus, jolla niistä saadaan yksi korkearesoluutioinen kuva. Tämä mahdollistaa suurten patologisten kuvien digitalisoinnin ja keräämisen, mikä olisi ollut kohtuuttoman aikaavievää ja kallista. Tällaisten tietojoukkojen saatavuus luo uusia ja innovatiivisia tapoja nopeuttaa diagnoosia käyttämällä tekniikoita, kuten koneoppimista (ML), mikä auttaa patologia nopeuttamaan diagnooseja tunnistamalla nopeasti kiinnostavia piirteitä.
Tässä viestissä tutkimme, kuinka kehittäjät, joilla ei ole aikaisempaa ML-kokemusta, voivat käyttää Amazon Rekognition mukautetut etiketit kouluttaa mallia, joka luokittelee solujen ominaisuuksia. Amazon Rekognition Custom Labels on ominaisuus Amazonin tunnistus jonka avulla voit rakentaa omia erikoistuneita ML-pohjaisia kuva-analyysiominaisuuksia tunnistaaksesi ainutlaatuisia kohteita ja kohtauksia, jotka ovat olennainen käyttötapaus. Käytämme erityisesti aineistoa, joka sisältää kokonaisia diakuvia koiran rintasyövästä [1], osoittaaksemme, kuinka näitä kuvia voidaan käsitellä ja kehittää mallia, joka havaitsee mitoottisia hahmoja. Tätä tietojoukkoa on käytetty prof. tohtori Marc Aubrevillen luvalla, joka on ystävällisesti suostunut antamaan meille luvan käyttää sitä tässä viestissä. Lisätietoja on tämän viestin lopussa olevassa Kiitokset-osiossa.
Ratkaisun yleiskatsaus
Ratkaisu koostuu kahdesta osasta:
- Amazon Rekognition Custom Labels -malli — Jotta Amazon Rekognition pystyy havaitsemaan mitoottiset hahmot, suoritamme seuraavat vaiheet:
- Ota näyte WSI-tietojoukosta tuottaaksesi sopivan kokoisia kuvia käyttämällä Amazon SageMaker Studio ja Python-koodi, joka toimii Jupyter-muistikirjassa. Studio on verkkopohjainen, integroitu kehitysympäristö (IDE) ML:lle, joka tarjoaa kaikki työkalut, joita tarvitset viedäksesi mallisi kokeilusta tuotantoon samalla kun lisäät tuottavuuttasi. Käytämme Studioa kuvien jakamiseen pienempiin mallin kouluttamiseksi.
- Harjoittele Amazon Rekognition Custom Labels -malli tunnistamaan mitoottiset hahmot hematoksyliini-eosiininäytteissä käyttämällä edellisessä vaiheessa valmistettuja tietoja.
- Käyttöliittymäsovellus — Havainnollistaaksemme, kuinka käytetään edellisessä vaiheessa koulutetun mallin kaltaista mallia, suoritamme seuraavat vaiheet:
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Kaikki tässä viestissä käsitellyn toteutuksen käyttöönottamiseksi tarvittavat resurssit ja koko osion koodi ovat saatavilla osoitteessa GitHub. Voit kloonata tai haaruttaa arkiston, tehdä haluamasi muutokset ja suorittaa sen itse.
Seuraavissa vaiheissa käymme läpi koodin ymmärtääksemme eri vaiheet, jotka liittyvät tietojen hankkimiseen ja valmisteluun, mallin harjoittamiseen ja sen käyttöön esimerkkisovelluksesta.
kustannukset
Kun suoritat tämän esittelyn vaiheita, sinulle aiheutuu pieniä kustannuksia seuraavien AWS-palveluiden käytöstä:
- Amazonin tunnistus
- AWS-veljeskunta
- Sovelluksen kuormituksen tasaaja
- AWS -salaisuuksien hallinta
Lisäksi, jos et enää Free Tier -jakson tai ehtojen sisällä, sinulle voi aiheutua kustannuksia seuraavista palveluista:
- CodePipeline
- CodeBuild
- Amazon ECR
- Amazon Sage Maker
Jos suoritat puhdistusvaiheet oikein tämän läpikäynnin jälkeen, saatat odottaa kulujen olevan alle 10 USD, jos Amazon Rekognition Custom Labels -malli ja verkkosovellus ovat käytössä tunnin tai vähemmän.
Edellytykset
Kaikkien vaiheiden suorittamiseksi tarvitset seuraavat:
Mitoottisen hahmoluokittelumallin koulutus
Suoritamme kaikki mallin kouluttamiseen tarvittavat vaiheet Studio-muistikirjasta. Jos et ole koskaan aiemmin käyttänyt Studiota, saatat tarvita sitä kyydissä ensimmäinen. Katso lisätietoja Aluksella nopeasti Amazon SageMaker Studioon.
Jotkut seuraavista vaiheista vaativat enemmän RAM-muistia kuin mitä on saatavana tavallisessa ml.t3.medium-kannettavassa. Varmista, että olet valinnut ml.m5.large-muistikirjan. Sinun pitäisi nähdä 2 vCPU + 8 GiB -merkintä sivun oikeassa yläkulmassa.
Tämän osion koodi on saatavilla muodossa a Jupyter-muistikirjatiedosto.
Kun olet siirtynyt Studioon, seuraa Näiden ohjeiden myöntää Studiolle tarvittavat oikeudet soittaa Amazon Rekognitionille puolestasi.
riippuvuudet
Aluksi meidän on suoritettava seuraavat vaiheet:
- Päivitä Linux-paketit ja asenna tarvittavat riippuvuudet, kuten OpenSlide:
- Asenna fastai- ja SlideRunner-kirjastot pip:n avulla:
- Lataa tietojoukko (toimitamme komentosarjan, joka tekee tämän automaattisesti):
Käsittele tietojoukko
Aloitamme tuomalla joitain paketteja, joita käytämme tietojen valmisteluvaiheessa. Sitten lataamme ja lataamme tämän tietojoukon huomautustietokannan. Tämä tietokanta sisältää mitoottisten hahmojen (ominaisuudet, jotka haluamme luokitella) paikat koko diakuvissa. Katso seuraava koodi:
Koska käytämme SageMakeria, luomme uuden SageMakerin Istunto vastustaa tehtävien, kuten tietojoukkomme lataamisen helpottamiseksi Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri. Käytämme myös S3-ämpäriä, jonka SageMaker luo oletuksena prosessoitujen kuvatiedostojemme lataamiseen.
- slidelist_test
array sisältää niiden diojen tunnukset, joita käytämme osana testitietojoukkoa arvioidaksemme opetetun mallin suorituskykyä. Katso seuraava koodi:
Seuraava askel on hankkia joukko koulutusalueita ja testidiat sekä niissä olevat tarrat, joista voimme ottaa pienempiä alueita käytettäväksi mallimme harjoittamiseen. Get_slides-koodi on sampling.py-tiedostossa GitHub.
Haluamme ottaa satunnaisesti näytteitä koulutus- ja testidioista. Käytämme harjoitus- ja testidialuetteloita ja valitsemme satunnaisesti n_training_images
kertaa tiedosto koulutusta varten, ja n_test_images
kertaa tiedosto testiä varten:
Seuraavaksi luomme hakemiston koulutuskuville ja yhden testikuville:
Ennen kuin tuotamme mallin harjoittamiseen tarvittavia pienempiä kuvia, tarvitsemme apukoodin, joka tuottaa koulutus- ja testidatan kuvaamiseen tarvittavat metatiedot. Seuraava koodi varmistaa, että tietty rajauslaatikko, joka ympäröi kiinnostavia piirteitä (mitoottisia hahmoja) on reilusti leikattavan alueen sisällä, ja tuottaa JSON-rivin, joka kuvaa kuvaa ja siinä olevia ominaisuuksia. Amazon SageMaker Ground Totuus muodossa, joka on Amazon Rekognition Custom Labelsin vaatima muoto. Lisätietoja tästä objektien tunnistuksen luettelotiedostosta on kohdassa Objektien lokalisointi luettelotiedostoissa.
Kanssa generate_annotations
toiminto paikallaan, voimme kirjoittaa koodin harjoitus- ja testikuvien tuottamiseksi:
Viimeinen askel kohti kaikkien tarvittavien tietojen saamista on kirjoittaa a manifest.json
tiedosto jokaiselle tietojoukolle:
Siirrä tiedostot S3:een
Käytämme upload_data
menetelmä, jonka SageMaker-istuntoobjekti paljastaa kuvien ja luettelotiedostojen lataamiseksi oletusarvoiseen SageMaker S3 -säilöön:
Kouluta Amazon Rekognition Custom Labels -malli
Amazon S3:ssa jo olevien tietojen avulla voimme harjoitella mukautettua mallia. Käytämme Boto3-kirjastoa Amazon Rekognition -asiakkaan luomiseen ja projektin luomiseen:
Kun projekti on valmis käytettäväksi, tarvitset nyt projektiversion, joka osoittaa Amazon S3:n koulutus- ja testitietosarjoihin. Jokainen versio osoittaa ihanteellisesti eri tietojoukkoja (tai sen eri versioita). Näin voimme saada mallista erilaisia versioita, vertailla niiden suorituskykyä ja vaihtaa niiden välillä tarpeen mukaan. Katso seuraava koodi:
Kun olemme luoneet projektiversion, Amazon Rekognition aloittaa automaattisesti koulutusprosessin. Harjoitusaika riippuu useista ominaisuuksista, kuten kuvien koosta ja niiden määrästä, tuntien määrästä ja niin edelleen. Tässä tapauksessa 500 kuvan kohdalla harjoitus kestää noin 90 minuuttia.
Testaa malli
Harjoittelun jälkeen jokainen Amazon Rekognition Custom Labelsin malli on mukana STOPPED
osavaltio. Jotta voit käyttää sitä johtopäätösten tekemiseen, sinun on käynnistettävä se. Hankimme projektiversion ARN projektin version kuvauksesta ja välitämme sen start_project_version
. Huomaa, MinInferenceUnits
parametri — aloitamme yhdellä päättelyyksiköllä. Tämän päättelyyksikön tukema tapahtumien todellinen enimmäismäärä sekunnissa (TPS) riippuu mallisi monimutkaisuudesta. Lisätietoja TPS:stä saat tästä blogi.
Kun projektiversiosi on luettelossa RUNNING
, voit alkaa lähettää kuvia Amazon Rekognitionille päätelmiä varten.
Käytämme yhtä testidatajoukon tiedostoista äskettäin aloitetun mallin testaamiseen. Voit käyttää sen sijaan mitä tahansa sopivaa PNG- tai JPEG-tiedostoa.
Virtaviivainen sovellus
Havainnollistaaksemme integraatiota Amazon Rekognitionin kanssa käytämme hyvin yksinkertaista Python-sovellusta. Käytämme Virtaviivainen kirjasto rakentaakseen spartalaisen käyttöliittymän, jossa kehotamme käyttäjää lataamaan kuvatiedoston.
Käytämme Boto3-kirjastoa ja detect_custom_labels
menetelmä yhdessä projektiversion ARN kanssa päättelypäätepisteen kutsumiseksi. Vastaus on JSON-dokumentti, joka sisältää kuvassa havaittujen eri objektien sijainnit ja luokat. Meidän tapauksessamme nämä ovat mitoottisia lukuja, jotka algoritmi on löytänyt päätepisteeseen lähettämämme kuvasta. Katso seuraava koodi:
Ota sovellus käyttöön AWS:ssä
Sovelluksen käyttöönottamiseksi käytämme AWS CDK -komentosarjaa. Koko projekti löytyy osoitteesta GitHub . Katsotaanpa skriptin käyttämiä erilaisia resursseja.
Luo Amazon ECR -arkisto
Ensimmäisenä askeleena käyttöönoton määrittämisessä luomme Amazon ECR -tietovaraston, johon voimme tallentaa sovelluskonttikuvamme:
Luo ja tallenna GitHub-tunnus AWS Secrets Managerissa
CodePipeline tarvitsee GitHub Personal Access Tokenin seuratakseen GitHub-tietovarastoasi muutosten varalta ja noutaakseen koodin. Luo tunnus noudattamalla sivulla olevia ohjeita GitHub-dokumentaatio. Tunniste vaatii seuraavat GitHub-laajuudet:
- -
repo
soveltamisalaa, jota käytetään täydelliseen hallintaan artefaktien lukemiseen ja vetämiseen julkisista ja yksityisistä arkistoista liukuhihnaan. - -
admin:repo_hook
soveltamisalaa, jota käytetään arkiston koukkujen täydelliseen hallintaan.
Kun olet luonut tunnuksen, tallenna se uuteen salaisuuteen AWS -salaisuuksien hallinta seuraavasti:
Kirjoita konfigurointiparametrit AWS Systems Managerin parametrikauppaan
AWS CDK -komentosarja lukee joitain kokoonpanoparametreja AWS Systems Manager -parametrikauppa, kuten GitHub-tietovaraston nimi ja omistaja sekä kohdetili ja alue. Ennen kuin käynnistät AWS CDK -komentosarjan, sinun on luotava nämä parametrit omalla tililläsi.
Voit tehdä sen käyttämällä AWS CLI:tä. yksinkertaisesti vedota put-parameter
komento, jossa on nimi, arvo ja parametrin tyyppi:
Seuraavassa on luettelo kaikista AWS CDK -komentosarjan vaatimista parametreista. Kaikki ne ovat tyyppisiä String
:
- /rek_wsi/prod/accountId – Sen tilin tunnus, jolla sovellus otetaan käyttöön.
- /rek_wsi/prod/ecr_repo_name – Amazonin ECR-tietovaraston nimi, johon säilökuvat on tallennettu.
- /rek_wsi/prod/github/branch – GitHub-tietovaraston haara, josta CodePipeline tarvitsee koodin.
- /rek_wsi/prod/github/owner — GitHub-tietovaraston omistaja.
- /rek_wsi/prod/github/repo – sen GitHub-arkiston nimi, johon koodimme on tallennettu.
- /rek_wsi/prod/github/token – GitHub-todennustunnuksesi sisältävän salaisuuden nimi tai ARN Secrets Managerissa. Tämä on välttämätöntä, jotta CodePipeline voi kommunikoida GitHubin kanssa.
- /rek_wsi/prod/region – Alue, jossa otamme sovelluksen käyttöön.
Ilmoitus prod
segmentti kaikissa parametrien nimissä. Vaikka emme tarvitse näin yksinkertaista esimerkkiä näin yksityiskohtaisesti, se mahdollistaa tämän lähestymistavan uudelleenkäytön muissa projekteissa, joissa erilaiset ympäristöt saattavat olla tarpeen.
AWS CDK -komentosarjan luomat resurssit
Tarvitsemme sovelluksemme, joka toimii Fargate-tehtävässä, jotta meillä on oikeudet käynnistää Amazon Rekognition. Joten luomme ensin AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) Tehtävä Rooli kanssa RekognitionReadOnlyPolicy
siihen liittyvää politiikkaa. Huomaa, että assumed_by
parametri seuraavassa koodissa ottaa ecs-tasks.amazonaws.com
palvelupäällikkö. Tämä johtuu siitä, että käytämme Amazon ECS:ää orkestraattorina, joten tarvitsemme Amazon ECS:n ottamaan roolin ja välittämään valtuustiedot Fargate-tehtävälle.
Kun sovelluskonttikuvamme on rakennettu, se on yksityisessä Amazon ECR -varastossa. Tarvitsemme sitä kuvaavan objektin, jonka voimme välittää Fargate-palvelua luotaessa:
Luomme tälle sovellukselle uuden VPC:n ja klusterin. Voit muokata tätä osaa käyttämään omaa VPC:täsi käyttämällä from_lookup
menetelmä Vpc
luokka:
Nyt kun meillä on VPC ja klusteri käyttöön otettavaksi, luomme Fargate-palvelun. Käytämme tähän tehtävään 0.25 vCPU:ta ja 512 Mt RAM-muistia, ja sen eteen asetamme julkisen Application Load Balancerin (ALB). Kun se on otettu käyttöön, käytämme ALB CNAME:a päästäksemme sovellukseen. Katso seuraava koodi:
Luomme yksinkertaisen putkilinjan, joka koostuu GitHub-lähdetoiminnosta ja rakennusvaiheesta, jotta voimme luoda ja ottaa käyttöön uuden säilön kuvan automaattisesti aina, kun siirrämme koodin päähaaralle. Tässä käytämme salaisuuksia, jotka olemme tallentaneet AWS Secrets Manageriin ja AWS Systems Managerin parametrikauppaan edellisissä vaiheissa.
CodeBuild tarvitsee luvat siirtääkseen säilökuvia Amazon ECR:ään. Näiden lupien myöntämiseksi lisäämme AmazonEC2ContainerRegistryFullAccess
käytäntö räätälöityyn IAM-rooliin, jonka CodeBuild-palvelun päämies voi ottaa:
CodeBuild-projekti kirjautuu yksityiseen Amazon ECR -tietovarastoon, rakentaa Docker-kuvan Streamlit-sovelluksella ja työntää kuvan arkistoon yhdessä appspec.yaml
ja imagedefinitions.json
tiedosto.
- appspec.yaml
tiedosto kuvaa tehtävän (portti, Fargate-alustaversio ja niin edelleen), kun taas imagedefinitions.json
tiedosto yhdistää säilön kuvien nimet niitä vastaaviin Amazon ECR URI:iin. Katso seuraava koodi:
Lopuksi kokoamme eri putkilinjan vaiheet yhteen. Viimeinen toimenpide on EcsDeployAction
, joka ottaa edellisessä vaiheessa rakennetun konttikuvan ja päivittää ECS-klusterimme tehtävät:
Uudelleenjärjestäminen
Vältä tulevia kuluja puhdistamalla resurssit, jotka olet luonut osana tätä ratkaisua.
Amazon Rekognition Custom Labels -malli
Ennen kuin sammutat Studio-muistikirjan, varmista, että pysäytät Amazon Rekognition Custom Labels -mallin. Jos et, siitä aiheutuu edelleen kustannuksia.
Vaihtoehtoisesti voit käyttää Amazon Rekognition -konsolia palvelun pysäyttämiseen:
- Valitse Amazon Rekognition -konsolissa Käytä mukautettuja tarroja navigointipaneelissa.
- Valita Projektit navigointipaneelissa.
- Valitse versio 1
rek-mitotic-figures-workshop
projekti. - On Käytä mallia välilehti, valitse stop.
Virtaviivainen sovellus
Voit tuhota kaikki Streamlit-sovellukseen liittyvät resurssit suorittamalla seuraavan koodin AWS CDK -sovellushakemistosta:
AWS -salaisuuksien hallinta
Voit poistaa GitHub-tunnuksen noudattamalla kohdassa dokumentointi.
Yhteenveto
Tässä viestissä kävimme läpi tarvittavat vaiheet Amazon Rekognition Custom Labels -mallin kouluttamiseksi digitaalista patologiasovellusta varten käyttämällä todellista dataa. Sitten opimme käyttämään mallia yksinkertaisesta sovelluksesta, joka otettiin käyttöön CI/CD-putkistosta Fargateen.
Amazon Rekognition Custom Labelsin avulla voit rakentaa ML-yhteensopivia terveydenhuoltosovelluksia, joita voit helposti rakentaa ja ottaa käyttöön käyttämällä palveluita, kuten Fargate, CodeBuild ja CodePipeline.
Tuleeko mieleen sovelluksia, jotka auttavat tutkijoita, lääkäreitä tai heidän potilaitaan helpottamaan heidän elämäänsä? Jos näin on, käytä tämän ohjeen koodia seuraavan sovelluksesi rakentamiseen. Ja jos sinulla on kysyttävää, jaa ne kommenttiosiossa.
Kiitokset
Haluamme kiittää professori tohtori Marc Aubrevilleä siitä, että hän antoi meille luvan käyttää MITOS_WSI_CMC-tietoaineistoa tässä blogikirjoituksessa. Aineisto löytyy osoitteesta GitHub.
Viitteet
[1] Aubreville, M., Bertram, CA, Donovan, TA et ai. Täysin selostettu koko diakuvatietokanta koiran rintasyövästä ihmisen rintasyöpätutkimuksen avuksi. Sci Data 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khened, M., Kori, A., Rajkumar, H. et ai. Yleinen syväoppimiskehys koko dian segmentointiin ja analysointiin. Sci Rep 11, 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS, 27. maaliskuuta 2018, 115 (13) E2970-E2979; julkaistu ensimmäisen kerran 12. maaliskuuta 2018; https://doi.org/10.1073/pnas.1717139115
kirjailijasta
Pablo Nuñez Pölcher, MSc, on vanhempi ratkaisuarkkitehti, joka työskentelee julkisen sektorin tiimissä Amazon Web Services -palvelussa. Pablo keskittyy auttamaan terveydenhuollon julkisen sektorin asiakkaita rakentamaan uusia, innovatiivisia tuotteita AWS:lle parhaiden käytäntöjen mukaisesti. Hän valmistui diplomi-insinööriksi. Biologian tieteet Universidad de Buenos Airesista. Vapaa-ajallaan hän nauttii pyöräilystä ja ML-yhteensopivien sulautettujen laitteiden parissa puuhailusta.
Razvan Ionasec, PhD, MBA, on Amazon Web Servicesin terveydenhuollon tekninen johtaja Euroopassa, Lähi-idässä ja Afrikassa. Hänen työnsä keskittyy auttamaan terveydenhuollon asiakkaita ratkaisemaan liiketoiminnan ongelmia teknologiaa hyödyntäen. Aiemmin Razvan toimi Siemens Healthineersin tekoälytuotteiden globaalina johtajana ja vastasi AI-Rad Companionista, tekoälypohjaisten ja pilvipohjaisten kuvantamisen digitaalisten terveysratkaisujen perheestä. Hänellä on yli 30 patenttia AI/ML:ssä lääketieteellistä kuvantamista varten ja hän on julkaissut yli 70 kansainvälistä vertaisarvioitua teknistä ja kliinistä julkaisua tietokonenäöstä, laskennallisesta mallintamisesta ja lääketieteellisestä kuva-analyysistä. Razvan suoritti tietojenkäsittelytieteen tohtorin tutkinnon Münchenin teknisestä yliopistosta ja MBA-tutkinnon Cambridgen yliopistosta Judge Business Schoolista.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- Meistä
- kiihdyttää
- pääsy
- Tili
- Toiminta
- Afrikka
- AI
- algoritmi
- Kaikki
- jo
- Vaikka
- Amazon
- Amazonin tunnistus
- Amazon Sage Maker
- Amazon Web Services
- analyysi
- Hakemus
- sovellukset
- APT
- arkkitehtuuri
- keinotekoinen
- tekoäly
- Tekoäly (AI)
- Varat
- Authentication
- saatavuus
- saatavissa
- AWS
- swing
- PARAS
- parhaat käytännöt
- Uutiset ja media
- lisäämällä
- Laatikko
- Rintasyöpä
- rakentaa
- liiketoiminta
- soittaa
- Cambridge
- Voi saada
- Syöpä
- syövän tutkimusta
- lataus
- luokittelu
- koodi
- kokoelma
- kommentit
- Tietojenkäsittelyoppi
- Tietokoneen visio
- luottamus
- Konfigurointi
- Console
- Kontti
- Kontit
- sisältää
- jatkuu
- kustannukset
- Luominen
- Valtakirja
- Asiakkaat
- tiedot
- tietokanta
- tietokannat
- syvä oppiminen
- tuhota
- yksityiskohta
- Detection
- kehittäjille
- Kehitys
- Laitteet
- eri
- digitaalinen
- Digitaalinen terveys
- digitalisointi
- Satamatyöläinen
- lääkärit
- alas
- helposti
- kaiku
- päätepiste
- ympäristö
- Eurooppa
- esimerkki
- experience
- vienti
- perhe
- Ominaisuus
- Ominaisuudet
- Kuva
- Etunimi
- seurata
- haarukka
- muoto
- löytyi
- Puitteet
- Ilmainen
- koko
- toiminto
- tulevaisuutta
- tuottaa
- geometria
- GitHub
- Antaminen
- Global
- Kulta
- myöntää
- avustukset
- ottaa
- pää
- terveys
- terveydenhuollon
- auttaa
- tätä
- Miten
- Miten
- HTTPS
- IAM
- Identiteetti
- kuva
- kuva-analyysi
- kuvan segmentointi
- Imaging
- tuovan
- tiedot
- innovatiivinen
- kiinteä
- integraatio
- Älykkyys
- korko
- kansainvälisesti
- osallistuva
- IT
- Jupyter Notebook
- tarrat
- suuri
- uusin
- käynnistäminen
- OPPIA
- oppinut
- oppiminen
- Taso
- Kirjasto
- linja
- linux
- Lista
- Listat
- kuormitus
- Localization
- koneoppiminen
- Kartat
- maaliskuu
- lääketieteellinen
- lääketieteellinen kuvantaminen
- keskikokoinen
- Lähi-itä
- ML
- malli
- mallintaminen
- mallit
- lisää
- Munich
- nimet
- suunnistus
- tarvitaan
- Objektin tunnistus
- perehdytyksessä
- Muut
- omistaja
- Patentit
- patologia
- potilaat
- suorituskyky
- henkilöstö
- foorumi
- politiikka
- Pääasiallinen
- yksityinen
- prosessi
- tuotanto
- tuottavuus
- Tuotteemme
- ammattilaiset
- projekti
- hankkeet
- toimittaa
- tarjoaa
- julkinen
- julkisen sektorin
- julkaisut
- Python
- RAM
- tutkimus
- Esittelymateriaalit
- vastaus
- ajaa
- juoksu
- sagemaker
- skannaus
- Koulu
- tiede
- tieteet
- sektori
- valittu
- Palvelut
- setti
- asetus
- Jaa:
- Siemens
- merkittävä
- Yksinkertainen
- Koko
- pieni
- So
- Ratkaisumme
- SOLVE
- Tila
- erikoistunut
- jakaa
- Vaihe
- Alkaa
- alkoi
- Osavaltio
- Tila
- Levytila
- verkkokaupasta
- studio
- Tukee
- Vaihtaa
- järjestelmät
- Kohde
- Tekninen
- tekniikat
- Elektroniikka
- testi
- Lähde
- Kautta
- aika
- aikaavievä
- yhdessä
- symbolinen
- työkalut
- ylin
- koulutus
- Liiketoimet
- unique
- yliopisto
- Cambridgen yliopisto
- Päivitykset
- URI
- us
- USD
- arvo
- versio
- visio
- W
- verkko
- verkkopalvelut
- Web-pohjainen
- Mitä
- Mikä on
- KUKA
- laajalti
- sisällä
- ilman
- Referenssit
- työskentely
- olisi
- kirjoittaminen
- X
- vuotta
- youtube