इसकी शुरूआत के सौ से अधिक वर्षों के बाद भी, ट्यूमर निदान और रोग निदान में ऊतक विज्ञान स्वर्ण मानक बना हुआ है। एनाटॉमिक पैथोलॉजिस्ट कैंसर रोगियों को उनके ट्यूमर जीनोटाइप और फेनोटाइप और उनके नैदानिक परिणामों के आधार पर विभिन्न समूहों में स्तरीकृत करने के लिए ऊतक विज्ञान का मूल्यांकन करते हैं [1,2]। हालाँकि, हिस्टोलॉजिकल स्लाइड्स का मानव मूल्यांकन व्यक्तिपरक है और दोहराने योग्य नहीं है [3]। इसके अलावा, हिस्टोलॉजिकल मूल्यांकन एक समय लेने वाली प्रक्रिया है जिसके लिए उच्च प्रशिक्षित पेशेवरों की आवश्यकता होती है।
पिछले दशक में महत्वपूर्ण तकनीकी प्रगति के साथ, संपूर्ण स्लाइड इमेजिंग (डब्ल्यूएसआई) और डीप लर्निंग (डीएल) जैसी तकनीकें अब व्यापक रूप से उपलब्ध हैं। WSI उन स्लाइडों से एकल, उच्च-रिज़ॉल्यूशन छवि उत्पन्न करने के लिए पारंपरिक माइक्रोस्कोपी ग्लास स्लाइडों की स्कैनिंग है। यह पैथोलॉजी छवियों के बड़े सेटों के डिजिटलीकरण और संग्रह की अनुमति देता है, जो अत्यधिक समय लेने वाला और महंगा होता। ऐसे डेटासेट की उपलब्धता मशीन लर्निंग (एमएल) जैसी तकनीकों का उपयोग करके रोगविज्ञानियों को रुचि की विशेषताओं की शीघ्र पहचान करके निदान में तेजी लाने में सहायता करने के लिए निदान में तेजी लाने के नए और अभिनव तरीके बनाती है।
इस पोस्ट में, हम यह पता लगाएंगे कि पिछले एमएल अनुभव के बिना डेवलपर्स कैसे उपयोग कर सकते हैं अमेज़ॅन रेकग्निशन कस्टम लेबल एक मॉडल को प्रशिक्षित करना जो सेलुलर सुविधाओं को वर्गीकृत करता है। अमेज़ॅन रिकॉग्निशन कस्टम लेबल्स की एक विशेषता है अमेज़ॅन रेकग्निशन जो आपको अपने विशिष्ट उपयोग के मामले से अभिन्न अद्वितीय वस्तुओं और दृश्यों का पता लगाने के लिए अपनी विशेष एमएल-आधारित छवि विश्लेषण क्षमताओं का निर्माण करने में सक्षम बनाता है। विशेष रूप से, हम इन छवियों को संसाधित करने और माइटोटिक आंकड़ों का पता लगाने वाले मॉडल को प्रशिक्षित करने के तरीके को प्रदर्शित करने के लिए कैनाइन स्तन कार्सिनोमा [1] की पूरी स्लाइड छवियों वाले डेटासेट का उपयोग करते हैं। इस डेटासेट का उपयोग प्रोफेसर डॉ. मार्क ऑब्रेविले की अनुमति से किया गया है, जो हमें इस पोस्ट के लिए इसका उपयोग करने की अनुमति देने के लिए सहमत हुए हैं। अधिक जानकारी के लिए, इस पोस्ट के अंत में आभार अनुभाग देखें।
समाधान अवलोकन
समाधान में दो घटक होते हैं:
- एक अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल — माइटोटिक आकृतियों का पता लगाने के लिए अमेज़ॅन रिकॉग्निशन को सक्षम करने के लिए, हम निम्नलिखित चरणों को पूरा करते हैं:
- पर्याप्त आकार की छवियां बनाने के लिए WSI डेटासेट का नमूना लें अमेज़ॅन सैजमेकर स्टूडियो और ज्यूपिटर नोटबुक पर चलने वाला एक पायथन कोड। स्टूडियो एमएल के लिए एक वेब-आधारित, एकीकृत विकास वातावरण (आईडीई) है जो आपकी उत्पादकता को बढ़ाते हुए आपके मॉडल को प्रयोग से उत्पादन तक ले जाने के लिए आवश्यक सभी उपकरण प्रदान करता है। हम अपने मॉडल को प्रशिक्षित करने के लिए छवियों को छोटे टुकड़ों में विभाजित करने के लिए स्टूडियो का उपयोग करेंगे।
- पिछले चरण में तैयार किए गए डेटा का उपयोग करके हेमटॉक्सिलिन-ईओसिन नमूनों में माइटोटिक आंकड़ों को पहचानने के लिए अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल को प्रशिक्षित करें।
- एक फ्रंटएंड एप्लिकेशन - यह प्रदर्शित करने के लिए कि जिस मॉडल को हमने पिछले चरण में प्रशिक्षित किया था, उसका उपयोग कैसे करें, हम निम्नलिखित चरणों को पूरा करते हैं:
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
इस पोस्ट में चर्चा किए गए कार्यान्वयन को तैनात करने के लिए सभी आवश्यक संसाधन और पूरे अनुभाग के लिए कोड यहां उपलब्ध हैं GitHub. आप रिपॉजिटरी को क्लोन या फोर्क कर सकते हैं, अपनी इच्छानुसार कोई भी बदलाव कर सकते हैं और इसे स्वयं चला सकते हैं।
अगले चरणों में, हम डेटा प्राप्त करने और तैयार करने, मॉडल को प्रशिक्षित करने और नमूना एप्लिकेशन से इसका उपयोग करने में शामिल विभिन्न चरणों को समझने के लिए कोड के माध्यम से चलते हैं।
लागत
इस वॉकथ्रू में चरण चलाते समय, आपको निम्नलिखित AWS सेवाओं का उपयोग करने से छोटी लागतें आती हैं:
- अमेज़ॅन रेकग्निशन
- AWS फरगेट
- आवेदन लोड Balancer
- AWS राज प्रबंधक
इसके अतिरिक्त, यदि अब फ्री टियर अवधि या शर्तों के भीतर नहीं है, तो आपको निम्नलिखित सेवाओं से लागत लग सकती है:
- कोडपिपलीन
- कोडबिल्ड
- अमेज़न ईसीआर
- अमेज़न SageMaker
यदि आप इस वॉकथ्रू को पूरा करने के बाद सफाई के चरणों को सही ढंग से पूरा करते हैं, तो आप उम्मीद कर सकते हैं कि लागत 10 USD से कम होगी, यदि अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल और वेब एप्लिकेशन एक घंटे या उससे कम समय तक चलते हैं।
.. पूर्वापेक्षाएँ
सभी चरणों को पूरा करने के लिए, आपको निम्नलिखित की आवश्यकता है:
माइटोटिक आकृति वर्गीकरण मॉडल का प्रशिक्षण
हम स्टूडियो नोटबुक से मॉडल को प्रशिक्षित करने के लिए आवश्यक सभी चरण चलाते हैं। यदि आपने पहले कभी स्टूडियो का उपयोग नहीं किया है, तो आपको इसकी आवश्यकता हो सकती है जहाज पर पहला। अधिक जानकारी के लिए देखें अमेज़ॅन सेजमेकर स्टूडियो में शीघ्रता से शामिल हों.
निम्नलिखित में से कुछ चरणों के लिए मानक ml.t3.medium नोटबुक में उपलब्ध RAM से अधिक RAM की आवश्यकता होती है। सुनिश्चित करें कि आपने एक ml.m5.बड़ी नोटबुक चुनी है। आपको पृष्ठ के ऊपरी दाएं कोने पर 2 vCPU + 8 GiB संकेत देखना चाहिए।
इस अनुभाग के लिए कोड इस प्रकार उपलब्ध है ज्यूपिटर नोटबुक फ़ाइल.
स्टूडियो में शामिल होने के बाद, अनुसरण करें इन निर्देशों स्टूडियो को आपकी ओर से अमेज़ॅन रिकॉग्निशन को कॉल करने के लिए आवश्यक अनुमति देने के लिए।
निर्भरता
आरंभ करने के लिए, हमें निम्नलिखित चरण पूरे करने होंगे:
- Linux पैकेज अपडेट करें और आवश्यक निर्भरताएँ स्थापित करें, जैसे OpenSlide:
- पिप का उपयोग करके फास्टाई और स्लाइडरनर लाइब्रेरी स्थापित करें:
- डेटासेट डाउनलोड करें (हम इसे स्वचालित रूप से करने के लिए एक स्क्रिप्ट प्रदान करते हैं):
डेटासेट को संसाधित करें
हम कुछ पैकेजों को आयात करके शुरुआत करेंगे जिनका उपयोग हम डेटा तैयारी चरण के दौरान करते हैं। फिर, हम इस डेटासेट के लिए एनोटेशन डेटाबेस डाउनलोड और लोड करते हैं। इस डेटाबेस में माइटोटिक आकृतियों (जिन विशेषताओं को हम वर्गीकृत करना चाहते हैं) की संपूर्ण स्लाइड छवियों में स्थितियाँ शामिल हैं। निम्नलिखित कोड देखें:
चूँकि हम सेजमेकर का उपयोग कर रहे हैं, हम एक नया सेजमेकर बनाते हैं सत्र हमारे डेटासेट को अपलोड करने जैसे कार्यों को आसान बनाने के लिए ऑब्जेक्ट अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बाल्टी। हम S3 बकेट का भी उपयोग करते हैं जिसे सेजमेकर हमारी संसाधित छवि फ़ाइलों को अपलोड करने के लिए डिफ़ॉल्ट रूप से बनाता है।
RSI slidelist_test
सरणी में स्लाइड्स की आईडी शामिल होती हैं जिनका उपयोग हम प्रशिक्षित मॉडल के प्रदर्शन का मूल्यांकन करने के लिए परीक्षण डेटासेट के हिस्से के रूप में करते हैं। निम्नलिखित कोड देखें:
अगला कदम प्रशिक्षण और परीक्षण स्लाइड के क्षेत्रों का एक सेट, साथ ही उनमें लेबल प्राप्त करना है, जिससे हम अपने मॉडल को प्रशिक्षित करने के लिए उपयोग करने के लिए छोटे क्षेत्र ले सकते हैं। Get_slides का कोड सैम्पलिंग.py फ़ाइल में है GitHub.
हम प्रशिक्षण और परीक्षण स्लाइडों से यादृच्छिक रूप से नमूना लेना चाहते हैं। हम प्रशिक्षण और परीक्षण स्लाइडों की सूचियों का उपयोग करते हैं और यादृच्छिक रूप से चयन करते हैं n_training_images
प्रशिक्षण के लिए एक फ़ाइल का समय, और n_test_images
परीक्षण के लिए एक फ़ाइल का समय:
इसके बाद, हम प्रशिक्षण छवियों के लिए एक निर्देशिका और परीक्षण छवियों के लिए एक निर्देशिका बनाते हैं:
इससे पहले कि हम मॉडल को प्रशिक्षित करने के लिए आवश्यक छोटी छवियां तैयार करें, हमें कुछ सहायक कोड की आवश्यकता होती है जो प्रशिक्षण और परीक्षण डेटा का वर्णन करने के लिए आवश्यक मेटाडेटा तैयार करता है। निम्नलिखित कोड यह सुनिश्चित करता है कि रुचि की विशेषताओं (माइटोटिक आंकड़े) के आसपास दिया गया बाउंडिंग बॉक्स उस क्षेत्र के भीतर अच्छी तरह से है जिसे हम काट रहे हैं, और JSON की एक पंक्ति तैयार करता है जो छवि और उसमें मौजूद विशेषताओं का वर्णन करता है अमेज़ॅन सैजमेकर ग्राउंड ट्रुथ प्रारूप, जो अमेज़ॅन रिकॉग्निशन कस्टम लेबल के लिए आवश्यक प्रारूप है। ऑब्जेक्ट डिटेक्शन के लिए इस मेनिफेस्ट फ़ाइल के बारे में अधिक जानकारी के लिए देखें मेनिफेस्ट फाइलों में वस्तु स्थानीयकरण.
उसके साथ generate_annotations
फ़ंक्शन के स्थान पर, हम प्रशिक्षण और परीक्षण चित्र बनाने के लिए कोड लिख सकते हैं:
सभी आवश्यक डेटा प्राप्त करने की दिशा में अंतिम चरण लिखना है manifest.json
प्रत्येक डेटासेट के लिए फ़ाइल:
फ़ाइलों को S3 में स्थानांतरित करें
हम उपयोग upload_data
वह विधि जिसे SageMaker सत्र ऑब्जेक्ट छवियों और मैनिफ़ेस्ट फ़ाइलों को डिफ़ॉल्ट SageMaker S3 बकेट में अपलोड करने के लिए उजागर करता है:
अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल को प्रशिक्षित करें
Amazon S3 में पहले से मौजूद डेटा के साथ, हम एक कस्टम मॉडल का प्रशिक्षण प्राप्त कर सकते हैं। हम Amazon Rekognition क्लाइंट बनाने और एक प्रोजेक्ट बनाने के लिए Boto3 लाइब्रेरी का उपयोग करते हैं:
प्रोजेक्ट उपयोग के लिए तैयार होने के साथ, अब आपको एक प्रोजेक्ट संस्करण की आवश्यकता है जो अमेज़ॅन S3 में प्रशिक्षण और परीक्षण डेटासेट को इंगित करता है। प्रत्येक संस्करण आदर्श रूप से विभिन्न डेटासेट (या इसके विभिन्न संस्करणों) को इंगित करता है। यह हमें एक मॉडल के विभिन्न संस्करण रखने, उनके प्रदर्शन की तुलना करने और आवश्यकतानुसार उनके बीच स्विच करने में सक्षम बनाता है। निम्नलिखित कोड देखें:
प्रोजेक्ट संस्करण बनाने के बाद, अमेज़ॅन रिकॉग्निशन स्वचालित रूप से प्रशिक्षण प्रक्रिया शुरू कर देता है। प्रशिक्षण का समय कई विशेषताओं पर निर्भर करता है, जैसे छवियों का आकार और उनकी संख्या, कक्षाओं की संख्या, इत्यादि। इस मामले में, 500 छवियों के लिए, प्रशिक्षण समाप्त होने में लगभग 90 मिनट लगते हैं।
मॉडल का परीक्षण करें
ट्रेनिंग के बाद हर मॉडल Amazon Rekognition Custom Labels में है STOPPED
राज्य। अनुमान के लिए इसका उपयोग करने के लिए, आपको इसे प्रारंभ करना होगा। हम प्रोजेक्ट संस्करण विवरण से प्रोजेक्ट संस्करण एआरएन प्राप्त करते हैं और इसे पास करते हैं start_project_version
. ध्यान दें MinInferenceUnits
पैरामीटर - हम एक अनुमान इकाई से शुरू करते हैं। प्रति सेकंड लेनदेन की वास्तविक अधिकतम संख्या (टीपीएस) जो इस अनुमान इकाई का समर्थन करती है, आपके मॉडल की जटिलता पर निर्भर करती है। टीपीएस के बारे में अधिक जानने के लिए, इसे देखें ब्लॉग पोस्ट.
जब आपका प्रोजेक्ट संस्करण इस प्रकार सूचीबद्ध हो RUNNING
, आप अनुमान के लिए अमेज़ॅन रिकॉग्निशन पर छवियां भेजना शुरू कर सकते हैं।
हम नए शुरू किए गए मॉडल का परीक्षण करने के लिए परीक्षण डेटासेट में से एक फ़ाइल का उपयोग करते हैं। आप इसके बजाय किसी उपयुक्त पीएनजी या जेपीईजी फ़ाइल का उपयोग कर सकते हैं।
स्ट्रीमलाइट अनुप्रयोग
अमेज़ॅन रिकॉग्निशन के साथ एकीकरण को प्रदर्शित करने के लिए, हम एक बहुत ही सरल पायथन एप्लिकेशन का उपयोग करते हैं। हम उपयोग करते हैं स्ट्रीमलाइट एक संयमी उपयोगकर्ता इंटरफ़ेस बनाने के लिए लाइब्रेरी, जहां हम उपयोगकर्ता को एक छवि फ़ाइल अपलोड करने के लिए संकेत देते हैं।
हम Boto3 लाइब्रेरी और का उपयोग करते हैं detect_custom_labels
विधि, प्रोजेक्ट संस्करण एआरएन के साथ, अनुमान समापन बिंदु को लागू करने के लिए। प्रतिक्रिया एक JSON दस्तावेज़ है जिसमें छवि में पाई गई विभिन्न वस्तुओं की स्थिति और कक्षाएं शामिल हैं। हमारे मामले में, ये माइटोटिक आंकड़े हैं जो एल्गोरिदम ने उस छवि में पाए हैं जो हमने समापन बिंदु पर भेजी थी। निम्नलिखित कोड देखें:
एप्लिकेशन को AWS पर परिनियोजित करें
एप्लिकेशन को तैनात करने के लिए, हम AWS CDK स्क्रिप्ट का उपयोग करते हैं। पूरा प्रोजेक्ट यहां पाया जा सकता है GitHub . आइए स्क्रिप्ट द्वारा तैनात विभिन्न संसाधनों को देखें।
एक अमेज़ॅन ईसीआर रिपॉजिटरी बनाएं
अपनी तैनाती स्थापित करने की दिशा में पहले कदम के रूप में, हम एक अमेज़ॅन ईसीआर रिपॉजिटरी बनाते हैं, जहां हम अपने एप्लिकेशन कंटेनर छवियों को संग्रहीत कर सकते हैं:
AWS सीक्रेट मैनेजर में अपना GitHub टोकन बनाएं और संग्रहीत करें
कोडपाइपलाइन को परिवर्तनों के लिए आपके GitHub रिपॉजिटरी की निगरानी करने और कोड खींचने के लिए GitHub पर्सनल एक्सेस टोकन की आवश्यकता है। टोकन बनाने के लिए, इसमें दिए गए निर्देशों का पालन करें गिटहब प्रलेखन. टोकन के लिए निम्नलिखित GitHub स्कोप की आवश्यकता है:
- RSI
repo
स्कोप, जिसका उपयोग सार्वजनिक और निजी रिपॉजिटरी से कलाकृतियों को पढ़ने और पाइपलाइन में खींचने के लिए पूर्ण नियंत्रण के लिए किया जाता है। - RSI
admin:repo_hook
स्कोप, जिसका उपयोग रिपॉजिटरी हुक के पूर्ण नियंत्रण के लिए किया जाता है।
टोकन बनाने के बाद इसे एक नए सीक्रेट में स्टोर करें AWS राज प्रबंधक के रूप में इस प्रकार है:
AWS सिस्टम मैनेजर पैरामीटर स्टोर में कॉन्फ़िगरेशन पैरामीटर लिखें
AWS CDK स्क्रिप्ट कुछ कॉन्फ़िगरेशन पैरामीटर को पढ़ती है एडब्ल्यूएस सिस्टम मैनेजर पैरामीटर स्टोर, जैसे कि GitHub रिपॉजिटरी का नाम और मालिक, और लक्ष्य खाता और क्षेत्र। AWS CDK स्क्रिप्ट लॉन्च करने से पहले, आपको इन मापदंडों को अपने खाते में बनाना होगा।
आप AWS CLI का उपयोग करके ऐसा कर सकते हैं। बस आह्वान करें put-parameter
एक नाम, एक मान और पैरामीटर के प्रकार के साथ कमांड:
AWS CDK स्क्रिप्ट के लिए आवश्यक सभी मापदंडों की सूची निम्नलिखित है। ये सभी प्रकार के हैं String
:
- /rek_wsi/prod/accountId - उस खाते की आईडी जहां हम एप्लिकेशन तैनात करते हैं।
- /rek_wsi/prod/ecr_repo_name - अमेज़ॅन ईसीआर रिपॉजिटरी का नाम जहां कंटेनर छवियां संग्रहीत की जाती हैं।
- /rek_wsi/prod/github/branch - GitHub रिपॉजिटरी में वह शाखा जिससे CodePipeline को कोड खींचने की आवश्यकता होती है।
- /rek_wsi/prod/github/owner - GitHub रिपॉजिटरी का मालिक।
- /rek_wsi/prod/github/repo - GitHub रिपॉजिटरी का नाम जहां हमारा कोड संग्रहीत है।
- /rek_wsi/prod/github/token - सीक्रेट मैनेजर में उस रहस्य का नाम या ARN जिसमें आपका GitHub प्रमाणीकरण टोकन शामिल है। GitHub के साथ संचार करने में सक्षम होने के लिए CodePipeline के लिए यह आवश्यक है।
- /rek_wsi/prod/region - वह क्षेत्र जहां हम एप्लिकेशन को तैनात करेंगे।
नोटिस prod
सभी पैरामीटर नामों में खंड। हालाँकि हमें इस तरह के एक सरल उदाहरण के लिए इस स्तर के विवरण की आवश्यकता नहीं है, यह अन्य परियोजनाओं के साथ इस दृष्टिकोण का पुन: उपयोग करने में सक्षम होगा जहां विभिन्न वातावरण आवश्यक हो सकते हैं।
AWS CDK स्क्रिप्ट द्वारा निर्मित संसाधन
हमें अमेज़ॅन रिकॉग्निशन को लागू करने की अनुमति के लिए फ़ार्गेट कार्य में चल रहे हमारे एप्लिकेशन की आवश्यकता है। तो हम सबसे पहले एक बनाते हैं AWS पहचान और अभिगम प्रबंधन (IAM) के साथ कार्य भूमिका RekognitionReadOnlyPolicy
नीति इसके साथ जुड़ी हुई है। ध्यान दें कि assumed_by
निम्नलिखित कोड में पैरामीटर लेता है ecs-tasks.amazonaws.com
सेवा प्राचार्य. ऐसा इसलिए है क्योंकि हम अमेज़ॅन ईसीएस को ऑर्केस्ट्रेटर के रूप में उपयोग कर रहे हैं, इसलिए हमें भूमिका निभाने और फ़ार्गेट कार्य के लिए क्रेडेंशियल पास करने के लिए अमेज़ॅन ईसीएस की आवश्यकता है।
एक बार निर्मित होने के बाद, हमारी एप्लिकेशन कंटेनर छवि एक निजी अमेज़ॅन ईसीआर रिपॉजिटरी में बैठती है। हमें एक ऐसी वस्तु की आवश्यकता है जो इसका वर्णन करे जिसे हम फ़ार्गेट सेवा बनाते समय पारित कर सकें:
हम इस एप्लिकेशन के लिए एक नया वीपीसी और क्लस्टर बनाते हैं। आप इसका उपयोग करके अपने स्वयं के वीपीसी का उपयोग करने के लिए इस भाग को संशोधित कर सकते हैं from_lookup
की विधि Vpc
वर्ग:
अब जब हमारे पास तैनात करने के लिए एक वीपीसी और क्लस्टर है, तो हम फ़ार्गेट सेवा बनाते हैं। हम इस कार्य के लिए 0.25 वीसीपीयू और 512 एमबी रैम का उपयोग करते हैं, और हम इसके सामने एक सार्वजनिक एप्लिकेशन लोड बैलेंसर (एएलबी) रखते हैं। एक बार तैनात होने के बाद, हम एप्लिकेशन तक पहुंचने के लिए ALB CNAME का उपयोग करते हैं। निम्नलिखित कोड देखें:
हर बार जब हम अपनी मुख्य शाखा में कोड पुश करते हैं तो स्वचालित रूप से एक नई कंटेनर छवि बनाने और तैनात करने के लिए, हम एक सरल पाइपलाइन बनाते हैं जिसमें GitHub स्रोत कार्रवाई और एक बिल्ड चरण शामिल होता है। यहां हम उन रहस्यों का उपयोग करते हैं जिन्हें हमने पिछले चरणों में AWS सीक्रेट मैनेजर और AWS सिस्टम मैनेजर पैरामीटर स्टोर में संग्रहीत किया था।
CodeBuild को कंटेनर छवियों को Amazon ECR पर पुश करने के लिए अनुमति की आवश्यकता है। इन अनुमतियों को प्रदान करने के लिए, हम जोड़ते हैं AmazonEC2ContainerRegistryFullAccess
एक विशिष्ट IAM भूमिका के लिए नीति जिसे CodeBuild सेवा प्रिंसिपल ग्रहण कर सकता है:
कोडबिल्ड प्रोजेक्ट निजी अमेज़ॅन ईसीआर रिपॉजिटरी में लॉग इन करता है, स्ट्रीमलिट एप्लिकेशन के साथ डॉकर छवि बनाता है, और छवि को रिपॉजिटरी में एक साथ धकेलता है appspec.yaml
और एक imagedefinitions.json
फ़ाइल.
RSI appspec.yaml
फ़ाइल कार्य (पोर्ट, फ़ार्गेट प्लेटफ़ॉर्म संस्करण, और इसी तरह) का वर्णन करती है, जबकि imagedefinitions.json
फ़ाइल कंटेनर छवियों के नामों को उनके संबंधित अमेज़ॅन ईसीआर यूआरआई में मैप करती है। निम्नलिखित कोड देखें:
अंत में, हमने विभिन्न पाइपलाइन चरणों को एक साथ रखा। अंतिम क्रिया है EcsDeployAction
, जो पिछले चरण में निर्मित कंटेनर छवि लेता है और हमारे ईसीएस क्लस्टर में कार्यों का रोलिंग अपडेट करता है:
साफ - सफाई
भविष्य की लागतों से बचने के लिए, इस समाधान के हिस्से के रूप में आपके द्वारा बनाए गए संसाधनों को साफ करें।
अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल
अपने स्टूडियो नोटबुक को बंद करने से पहले, सुनिश्चित करें कि आपने अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल को बंद कर दिया है। यदि आप ऐसा नहीं करते हैं, तो इसकी लागत बढ़ती रहेगी।
वैकल्पिक रूप से, आप सेवा को रोकने के लिए अमेज़ॅन रिकॉग्निशन कंसोल का उपयोग कर सकते हैं:
- Amazon Rekognition कंसोल पर, चुनें कस्टम लेबल का उपयोग करें नेविगेशन फलक में
- चुनें परियोजनाओं नेविगेशन फलक में
- का संस्करण 1 चुनें
rek-mitotic-figures-workshop
परियोजना. - पर मॉडल का प्रयोग करें टैब चुनें रुकें.
स्ट्रीमलाइट अनुप्रयोग
स्ट्रीमलिट एप्लिकेशन से जुड़े सभी संसाधनों को नष्ट करने के लिए, AWS CDK एप्लिकेशन निर्देशिका से निम्नलिखित कोड चलाएँ:
AWS राज प्रबंधक
GitHub टोकन को हटाने के लिए, दिए गए निर्देशों का पालन करें दस्तावेज़ीकरण.
निष्कर्ष
इस पोस्ट में, हमने वास्तविक दुनिया के डेटा का उपयोग करके डिजिटल पैथोलॉजी एप्लिकेशन के लिए अमेज़ॅन रिकॉग्निशन कस्टम लेबल मॉडल को प्रशिक्षित करने के लिए आवश्यक कदम उठाए। फिर हमने सीखा कि सीआई/सीडी पाइपलाइन से फ़ार्गेट तक तैनात एक सरल एप्लिकेशन से मॉडल का उपयोग कैसे किया जाए।
अमेज़ॅन रिकॉग्निशन कस्टम लेबल आपको एमएल-सक्षम हेल्थकेयर एप्लिकेशन बनाने में सक्षम बनाता है जिसे आप फ़ार्गेट, कोडबिल्ड और कोडपाइपलाइन जैसी सेवाओं का उपयोग करके आसानी से बना और तैनात कर सकते हैं।
क्या आप शोधकर्ताओं, डॉक्टरों या उनके रोगियों को उनके जीवन को आसान बनाने में मदद करने के लिए किसी एप्लिकेशन के बारे में सोच सकते हैं? यदि हां, तो अपना अगला एप्लिकेशन बनाने के लिए इस वॉकथ्रू में कोड का उपयोग करें। और यदि आपके कोई प्रश्न हैं, तो कृपया उन्हें टिप्पणी अनुभाग में साझा करें।
Acknowledgments
हम इस ब्लॉग पोस्ट के लिए MITOS_WSI_CMC डेटासेट का उपयोग करने की अनुमति देने के लिए प्रोफेसर डॉ. मार्क ऑब्रेविल को धन्यवाद देना चाहते हैं। डेटासेट यहां पाया जा सकता है GitHub.
संदर्भ
[1] ऑब्रेविले, एम., बर्ट्रम, सीए, डोनोवन, टीए एट अल। मानव स्तन कैंसर अनुसंधान में सहायता के लिए कैनाइन स्तन कैंसर का एक पूरी तरह से एनोटेटेड संपूर्ण स्लाइड छवि डेटासेट। विज्ञान डेटा 7, 417 (2020)। https://doi.org/10.1038/s41597-020-00756-z
[2] खेनेड, एम., कोरी, ए., राजकुमार, एच. एट अल. संपूर्ण-स्लाइड छवि विभाजन और विश्लेषण के लिए एक सामान्यीकृत गहन शिक्षण ढांचा। विज्ञान प्रतिनिधि 11, 11579 (2021)। https://doi.org/10.1038/s41598-021-90444-8
[3] पीएनएएस 27 मार्च, 2018 115 (13) ई2970-ई2979; पहली बार 12 मार्च 2018 को प्रकाशित; https://doi.org/10.1073/pnas.1717139115
लेखक के बारे में
पाब्लो नुनेज़ पोल्चर, एमएससी, अमेज़ॅन वेब सर्विसेज के साथ सार्वजनिक क्षेत्र की टीम के लिए काम करने वाला एक वरिष्ठ समाधान वास्तुकार है। पाब्लो स्वास्थ्य देखभाल सार्वजनिक क्षेत्र के ग्राहकों को सर्वोत्तम प्रथाओं के अनुसार एडब्ल्यूएस पर नए, अभिनव उत्पाद बनाने में मदद करने पर ध्यान केंद्रित करता है। उन्होंने एम.एससी. की उपाधि प्राप्त की। यूनिवर्सिडैड डी ब्यूनस आयर्स से जैविक विज्ञान में। अपने खाली समय में, वह साइकिल चलाना और एमएल-सक्षम एम्बेडेड उपकरणों के साथ काम करना पसंद करते हैं।
रज़वान इओनासेक, पीएचडी, एमबीए, यूरोप, मध्य पूर्व और अफ्रीका में अमेज़ॅन वेब सेवाओं में स्वास्थ्य देखभाल के लिए तकनीकी नेता हैं। उनका काम प्रौद्योगिकी का लाभ उठाकर स्वास्थ्य सेवा ग्राहकों को व्यावसायिक समस्याओं को हल करने में मदद करने पर केंद्रित है। इससे पहले, रज़वान इमेजिंग के लिए एआई-संचालित और क्लाउड-आधारित डिजिटल स्वास्थ्य समाधानों के परिवार, एआई-रेड कंपेनियन के प्रभारी, सीमेंस हेल्थिनियर्स में कृत्रिम बुद्धिमत्ता (एआई) उत्पादों के वैश्विक प्रमुख थे। उनके पास मेडिकल इमेजिंग के लिए एआई/एमएल में 30+ पेटेंट हैं और उन्होंने कंप्यूटर विज़न, कम्प्यूटेशनल मॉडलिंग और मेडिकल इमेज विश्लेषण पर 70+ अंतर्राष्ट्रीय सहकर्मी-समीक्षित तकनीकी और नैदानिक प्रकाशन प्रकाशित किए हैं। रज़वान ने टेक्निकल यूनिवर्सिटी म्यूनिख से कंप्यूटर साइंस में पीएचडी और कैम्ब्रिज यूनिवर्सिटी, जज बिजनेस स्कूल से एमबीए की उपाधि प्राप्त की।
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- About
- में तेजी लाने के
- पहुँच
- लेखा
- कार्य
- अफ्रीका
- AI
- कलन विधि
- सब
- पहले ही
- हालांकि
- वीरांगना
- अमेज़ॅन रेकग्निशन
- अमेज़न SageMaker
- अमेज़ॅन वेब सेवा
- विश्लेषण
- आवेदन
- अनुप्रयोगों
- APT
- स्थापत्य
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता (AI)
- संपत्ति
- प्रमाणीकरण
- उपलब्धता
- उपलब्ध
- एडब्ल्यूएस
- कसरती
- BEST
- सर्वोत्तम प्रथाओं
- ब्लॉग
- बढ़ाने
- मुक्केबाज़ी
- स्तन कैंसर
- निर्माण
- व्यापार
- कॉल
- कैंब्रिज
- पा सकते हैं
- कैंसर
- कैंसर अनुसंधान
- प्रभार
- वर्गीकरण
- कोड
- संग्रह
- टिप्पणियाँ
- कम्प्यूटर साइंस
- Computer Vision
- आत्मविश्वास
- विन्यास
- कंसोल
- कंटेनर
- कंटेनरों
- शामिल हैं
- जारी
- लागत
- बनाना
- साख
- ग्राहक
- तिथि
- डाटाबेस
- डेटाबेस
- ध्यान लगा के पढ़ना या सीखना
- को नष्ट
- विस्तार
- खोज
- डेवलपर्स
- विकास
- डिवाइस
- विभिन्न
- डिजिटल
- डिजिटल स्वास्थ्य
- डिजिटलीकरण
- डाक में काम करनेवाला मज़दूर
- डॉक्टरों
- नीचे
- आसानी
- गूंज
- endpoint
- वातावरण
- यूरोप
- उदाहरण
- अनुभव
- निर्यात
- परिवार
- Feature
- विशेषताएं
- आकृति
- प्रथम
- का पालन करें
- कांटा
- प्रारूप
- पाया
- ढांचा
- मुक्त
- पूर्ण
- समारोह
- भविष्य
- उत्पन्न
- ज्यामिति
- GitHub
- देते
- वैश्विक
- सोना
- अनुदान
- छात्रवृत्ति
- होने
- सिर
- स्वास्थ्य
- स्वास्थ्य सेवा
- मदद
- यहाँ उत्पन्न करें
- कैसे
- How To
- HTTPS
- आई ए एम
- पहचान
- की छवि
- छवि विश्लेषण
- छवि विभाजन
- इमेजिंग
- का आयात
- करें-
- अभिनव
- अभिन्न
- एकीकरण
- बुद्धि
- ब्याज
- अंतरराष्ट्रीय स्तर पर
- शामिल
- IT
- जुपीटर नोटबुक
- लेबल
- बड़ा
- ताज़ा
- शुरू करने
- जानें
- सीखा
- सीख रहा हूँ
- स्तर
- पुस्तकालय
- लाइन
- लिनक्स
- सूची
- सूचियाँ
- भार
- स्थानीयकरण
- यंत्र अधिगम
- मैप्स
- मार्च
- मेडिकल
- चिकित्सीय इमेजिंग
- मध्यम
- मध्य पूर्व
- ML
- आदर्श
- मोडलिंग
- मॉडल
- अधिक
- म्यूनिख
- नामों
- पथ प्रदर्शन
- जरूरत
- ऑब्जेक्ट डिटेक्शन
- ज्ञानप्राप्ति
- अन्य
- मालिक
- पेटेंट
- विकृति
- रोगियों
- प्रदर्शन
- स्टाफ़
- मंच
- नीति
- प्रिंसिपल
- निजी
- प्रक्रिया
- उत्पादन
- उत्पादकता
- उत्पाद
- पेशेवरों
- परियोजना
- परियोजनाओं
- प्रदान करना
- प्रदान करता है
- सार्वजनिक
- सार्वजनिक क्षेत्र
- प्रकाशनों
- अजगर
- रैम
- अनुसंधान
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- रन
- दौड़ना
- sagemaker
- स्कैनिंग
- स्कूल के साथ
- विज्ञान
- विज्ञान
- सेक्टर
- चयनित
- सेवाएँ
- सेट
- की स्थापना
- Share
- सीमेंस
- महत्वपूर्ण
- सरल
- आकार
- छोटा
- So
- समाधान ढूंढे
- हल
- अंतरिक्ष
- विशेषीकृत
- विभाजित
- ट्रेनिंग
- प्रारंभ
- शुरू
- राज्य
- स्थिति
- भंडारण
- की दुकान
- स्टूडियो
- समर्थन करता है
- स्विच
- सिस्टम
- लक्ष्य
- तकनीकी
- तकनीक
- टेक्नोलॉजी
- परीक्षण
- स्रोत
- यहाँ
- पहर
- बहुत समय लगेगा
- एक साथ
- टोकन
- उपकरण
- ऊपर का
- प्रशिक्षण
- लेनदेन
- अद्वितीय
- विश्वविद्यालय
- कैम्ब्रिज विश्वविद्यालय
- अपडेट
- यूआरआइ
- us
- यूएसडी
- मूल्य
- संस्करण
- दृष्टि
- W
- वेब
- वेब सेवाओं
- वेब आधारित
- क्या
- एचएमबी क्या है?
- कौन
- व्यापक रूप से
- अंदर
- बिना
- काम
- काम कर रहे
- होगा
- लिख रहे हैं
- X
- साल
- यूट्यूब