แม้จะผ่านไปกว่าร้อยปีหลังจากการแนะนำ จุลวิทยายังคงเป็นมาตรฐานทองคำในการวินิจฉัยเนื้องอกและการพยากรณ์โรค นักพยาธิวิทยาทางกายวิภาคประเมินเนื้อเยื่อวิทยาเพื่อแบ่งชั้นผู้ป่วยมะเร็งออกเป็นกลุ่มต่างๆ ขึ้นอยู่กับจีโนไทป์และฟีโนไทป์ของเนื้องอก และผลลัพธ์ทางคลินิก [1,2] อย่างไรก็ตาม การประเมินสไลด์ทางเนื้อเยื่อของมนุษย์เป็นเรื่องส่วนตัวและไม่สามารถทำซ้ำได้ [3] นอกจากนี้ การประเมินทางเนื้อเยื่อวิทยาเป็นกระบวนการที่ใช้เวลานานซึ่งต้องใช้ผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาอย่างดี
ด้วยความก้าวหน้าทางเทคโนโลยีที่สำคัญในทศวรรษที่ผ่านมา เทคนิคต่างๆ เช่น การสร้างภาพสไลด์ทั้งหมด (WSI) และการเรียนรู้เชิงลึก (DL) มีอยู่อย่างแพร่หลาย WSI คือการสแกนสไลด์แก้วด้วยกล้องจุลทรรศน์แบบธรรมดาเพื่อสร้างภาพความละเอียดสูงเพียงภาพเดียวจากสไลด์เหล่านั้น การทำเช่นนี้ทำให้สามารถแปลงเป็นดิจิทัลและรวบรวมชุดภาพทางพยาธิวิทยาจำนวนมาก ซึ่งอาจใช้เวลานานและมีราคาแพง ความพร้อมใช้งานของชุดข้อมูลดังกล่าวจะสร้างวิธีการใหม่และนวัตกรรมในการเร่งการวินิจฉัยโดยใช้เทคนิคต่างๆ เช่น การเรียนรู้ของเครื่อง (ML) เพื่อช่วยนักพยาธิวิทยาในการเร่งการวินิจฉัยโดยระบุคุณลักษณะที่น่าสนใจได้อย่างรวดเร็ว
ในโพสต์นี้ เราจะสำรวจว่านักพัฒนาซอฟต์แวร์ที่ไม่มีประสบการณ์ ML มาก่อนสามารถใช้งานได้อย่างไร ป้ายกำกับที่กำหนดเองของ Amazon Rekognition เพื่อฝึกโมเดลที่จำแนกคุณสมบัติของเซลลูลาร์ Amazon Rekognition Custom Labels เป็นคุณสมบัติของ ความหมายของ Amazon ที่ช่วยให้คุณสร้างความสามารถในการวิเคราะห์ภาพที่ใช้ ML เฉพาะเพื่อตรวจจับวัตถุและฉากที่ไม่ซ้ำกันซึ่งเป็นส่วนหนึ่งของกรณีการใช้งานเฉพาะของคุณ โดยเฉพาะอย่างยิ่ง เราใช้ชุดข้อมูลที่มีภาพสไลด์ทั้งหมดของมะเร็งเต้านมในสุนัข [1] เพื่อสาธิตวิธีการประมวลผลภาพเหล่านี้และฝึกแบบจำลองที่ตรวจจับไมโทติค ชุดข้อมูลนี้ถูกใช้โดยได้รับอนุญาตจาก Prof. Dr. Marc Aubreville ซึ่งยินยอมให้เราใช้ชุดข้อมูลนี้สำหรับโพสต์นี้ สำหรับข้อมูลเพิ่มเติม โปรดดูส่วนการรับทราบที่ส่วนท้ายของโพสต์นี้
ภาพรวมโซลูชัน
การแก้ปัญหาประกอบด้วยสององค์ประกอบ:
- โมเดลฉลากแบบกำหนดเองของ Amazon Rekognition — เพื่อเปิดใช้งาน Amazon Rekognition เพื่อตรวจจับตัวเลขไมโทติค เราทำตามขั้นตอนต่อไปนี้:
- ตัวอย่างชุดข้อมูล WSI เพื่อสร้างภาพที่มีขนาดเพียงพอโดยใช้ สตูดิโอ Amazon SageMaker และโค้ด Python ที่ทำงานบนโน้ตบุ๊ก Jupyter Studio คือสภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) บนเว็บสำหรับ ML ที่มีเครื่องมือทั้งหมดที่คุณต้องการเพื่อนำแบบจำลองของคุณไปใช้ตั้งแต่การทดลองไปจนถึงการผลิต ในขณะที่เพิ่มประสิทธิภาพการทำงานของคุณ เราจะใช้ Studio เพื่อแบ่งรูปภาพออกเป็นภาพที่เล็กกว่าเพื่อฝึกโมเดลของเรา
- ฝึกโมเดล Amazon Rekognition Custom Labels เพื่อจดจำตัวเลขไมโทซิสในตัวอย่างฮีมาทอกซิลิน-อีโอซินโดยใช้ข้อมูลที่เตรียมไว้ในขั้นตอนก่อนหน้า
- แอปพลิเคชันส่วนหน้า — เพื่อสาธิตวิธีใช้แบบจำลองเหมือนที่เราฝึกในขั้นตอนที่แล้ว เราทำตามขั้นตอนต่อไปนี้:
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
ทรัพยากรที่จำเป็นทั้งหมดในการปรับใช้การใช้งานที่กล่าวถึงในโพสต์นี้และรหัสสำหรับส่วนทั้งหมดมีอยู่ใน GitHub. คุณสามารถโคลนหรือแยกที่เก็บ ทำการเปลี่ยนแปลงตามต้องการ และเรียกใช้เอง
ในขั้นตอนต่อไป เราจะอธิบายโค้ดเพื่อทำความเข้าใจขั้นตอนต่างๆ ที่เกี่ยวข้องในการรับและเตรียมข้อมูล ฝึกโมเดล และใช้งานจากแอปพลิเคชันตัวอย่าง
ค่าใช้จ่าย
เมื่อดำเนินการตามขั้นตอนในคำแนะนำนี้ คุณจะต้องเสียค่าใช้จ่ายเล็กน้อยจากการใช้บริการของ AWS ต่อไปนี้:
- ความหมายของ Amazon
- AWS ฟาร์เกต
- แอปพลิเคชัน Load Balancer
- ผู้จัดการความลับของ AWS
นอกจากนี้ หากไม่อยู่ในระยะเวลาหรือเงื่อนไข Free Tier อีกต่อไป คุณอาจต้องเสียค่าใช้จ่ายจากบริการต่อไปนี้:
- รหัสไปป์ไลน์
- รหัสสร้าง
- อเมซอน ECR
- อเมซอน SageMaker
หากคุณทำตามขั้นตอนการล้างข้อมูลอย่างถูกต้องหลังจากเสร็จสิ้นการฝึกปฏิบัตินี้ คุณอาจคาดว่าค่าใช้จ่ายจะน้อยกว่า 10 USD หากโมเดล Amazon Rekognition Custom Labels และเว็บแอปพลิเคชันทำงานเป็นเวลาหนึ่งชั่วโมงหรือน้อยกว่า
เบื้องต้น
ในการดำเนินการตามขั้นตอนทั้งหมด คุณต้องมีสิ่งต่อไปนี้:
การฝึกโมเดลการจำแนกประเภทไมโทติค
เราดำเนินการทุกขั้นตอนที่จำเป็นในการฝึกโมเดลจากโน้ตบุ๊ก Studio หากคุณไม่เคยใช้ Studio มาก่อน คุณอาจต้อง บนกระดาน แรก. ดูข้อมูลเพิ่มเติมได้ที่ ออนบอร์ดอย่างรวดเร็วไปยัง Amazon SageMaker Studio.
ขั้นตอนต่อไปนี้บางขั้นตอนต้องการ RAM มากกว่าที่มีอยู่ในโน้ตบุ๊ก ml.t3.medium มาตรฐาน ตรวจสอบให้แน่ใจว่าคุณได้เลือกสมุดบันทึก ml.m5.large คุณควรเห็นตัวบ่งชี้ 2 vCPU + 8 GiB ที่มุมขวาบนของหน้า
รหัสสำหรับส่วนนี้มีให้ในรูปแบบ a ไฟล์โน๊ตบุ๊ค Jupyter.
หลังจากออนบอร์ดไปที่ Studio แล้ว ให้ทำตาม คำแนะนำเหล่านี้ เพื่อให้ Studio มีสิทธิ์ที่จำเป็นในการเรียก Amazon Rekognition ในนามของคุณ
การอ้างอิง
ในการเริ่มต้น เราต้องทำตามขั้นตอนต่อไปนี้:
- อัปเดตแพ็คเกจ Linux และติดตั้งการพึ่งพาที่จำเป็น เช่น OpenSlide:
- ติดตั้งไลบรารี fastai และ SlideRunner โดยใช้ pip:
- ดาวน์โหลดชุดข้อมูล (เรามีสคริปต์ให้ทำโดยอัตโนมัติ):
ประมวลผลชุดข้อมูล
เราจะเริ่มต้นด้วยการนำเข้าแพ็คเกจบางส่วนที่เราใช้ตลอดขั้นตอนการเตรียมข้อมูล จากนั้น เราดาวน์โหลดและโหลดฐานข้อมูลคำอธิบายประกอบสำหรับชุดข้อมูลนี้ ฐานข้อมูลนี้มีตำแหน่งในภาพสไลด์ทั้งหมดของตัวเลขไมโทติค (คุณสมบัติที่เราต้องการจำแนก) ดูรหัสต่อไปนี้:
เนื่องจากเราใช้ SageMaker เราจึงสร้าง SageMaker ใหม่ เซสชั่น วัตถุเพื่อให้งานง่ายขึ้นเช่นการอัปโหลดชุดข้อมูลของเราไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง เรายังใช้บัคเก็ต S3 ที่ SageMaker สร้างโดยค่าเริ่มต้นเพื่ออัปโหลดไฟล์รูปภาพที่ประมวลผลแล้ว
พื้นที่ slidelist_test
array มี ID ของสไลด์ที่เราใช้เป็นส่วนหนึ่งของชุดข้อมูลทดสอบเพื่อประเมินประสิทธิภาพของแบบจำลองที่ได้รับการฝึก ดูรหัสต่อไปนี้:
ขั้นตอนต่อไปคือการได้รับชุดพื้นที่การฝึกอบรมและสไลด์ทดสอบ ร่วมกับป้ายกำกับในนั้น ซึ่งเราสามารถใช้พื้นที่ขนาดเล็กกว่าเพื่อใช้ฝึกแบบจำลองของเรา รหัสสำหรับ get_slides อยู่ในไฟล์ sampling.py ใน GitHub.
เราต้องการสุ่มตัวอย่างจากสไลด์การฝึกอบรมและทดสอบ เราใช้รายการของการฝึกอบรมและทดสอบสไลด์และสุ่มเลือก n_training_images
คูณไฟล์สำหรับการฝึกอบรมและ n_test_images
คูณไฟล์สำหรับการทดสอบ:
ต่อไป เราสร้างไดเร็กทอรีสำหรับอิมเมจการฝึกอบรมและอีกไดเร็กทอรีสำหรับอิมเมจทดสอบ:
ก่อนที่เราจะผลิตอิมเมจที่มีขนาดเล็กลงซึ่งจำเป็นสำหรับการฝึกโมเดล เราต้องการโค้ดตัวช่วยที่สร้างข้อมูลเมตาที่จำเป็นในการอธิบายข้อมูลการฝึกและทดสอบ โค้ดต่อไปนี้ช่วยให้แน่ใจว่ากรอบล้อมรอบคุณลักษณะที่น่าสนใจ (mitotic figures) อยู่ภายในโซนที่เรากำลังตัด และสร้างเส้นของ JSON ที่อธิบายภาพและคุณลักษณะในนั้น ความจริงของ Amazon SageMaker ซึ่งเป็นรูปแบบที่ต้องการของ Amazon Rekognition Custom Labels สำหรับข้อมูลเพิ่มเติมเกี่ยวกับไฟล์ Manifest สำหรับการตรวจจับวัตถุ โปรดดูที่ การแปลวัตถุในไฟล์รายการ.
กับ generate_annotations
เราสามารถเขียนโค้ดเพื่อสร้างภาพการฝึกและทดสอบได้ดังนี้
ขั้นตอนสุดท้ายในการมีข้อมูลที่จำเป็นทั้งหมดคือการเขียน a manifest.json
ไฟล์สำหรับแต่ละชุดข้อมูล:
โอนไฟล์ไปยัง S3
เราใช้ upload_data
วิธีที่วัตถุเซสชัน SageMaker เปิดเผยเพื่ออัปโหลดรูปภาพและไฟล์รายการไปยังบัคเก็ต SageMaker S3 เริ่มต้น:
ฝึกโมเดล Amazon Rekognition Custom Label
ด้วยข้อมูลที่มีอยู่แล้วใน Amazon S3 เราจึงสามารถฝึกอบรมโมเดลที่กำหนดเองได้ เราใช้ไลบรารี Boto3 เพื่อสร้างไคลเอ็นต์ Amazon Rekognition และสร้างโครงการ:
เมื่อโปรเจ็กต์พร้อมใช้งาน ตอนนี้คุณต้องการเวอร์ชันโปรเจ็กต์ที่ชี้ไปที่ชุดข้อมูลการฝึกอบรมและทดสอบใน Amazon S3 แต่ละเวอร์ชันจะชี้ไปที่ชุดข้อมูลที่แตกต่างกัน (หรือเวอร์ชันที่ต่างกัน) ซึ่งช่วยให้เรามีรุ่นต่างๆ กัน เปรียบเทียบประสิทธิภาพ และสลับไปมาระหว่างกันได้ตามต้องการ ดูรหัสต่อไปนี้:
หลังจากที่เราสร้างเวอร์ชันโปรเจ็กต์แล้ว Amazon Rekognition จะเริ่มกระบวนการฝึกอบรมโดยอัตโนมัติ เวลาในการฝึกอบรมขึ้นอยู่กับคุณสมบัติหลายประการ เช่น ขนาดของรูปภาพและจำนวนรูปภาพ จำนวนคลาส และอื่นๆ ในกรณีนี้ สำหรับ 500 ภาพ การฝึกอบรมจะใช้เวลาประมาณ 90 นาทีจึงจะเสร็จสิ้น
ทดสอบโมเดล
หลังการฝึกอบรม ทุกรุ่นใน Amazon Rekognition Custom Labels จะอยู่ใน STOPPED
สถานะ. หากต้องการใช้สำหรับการอนุมาน คุณต้องเริ่มต้น เราได้รับ ARN เวอร์ชันของโปรเจ็กต์จากคำอธิบายเวอร์ชันของโปรเจ็กต์แล้วส่งต่อไปยัง start_project_version
. สังเกต MinInferenceUnits
พารามิเตอร์ — เราเริ่มต้นด้วยหน่วยอนุมานหนึ่งหน่วย จำนวนธุรกรรมสูงสุดจริงต่อวินาที (TPS) ที่หน่วยอนุมานนี้รองรับขึ้นอยู่กับความซับซ้อนของแบบจำลองของคุณ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ TPS โปรดดูที่ โพสต์บล็อก.
เมื่อเวอร์ชันโปรเจ็กต์ของคุณแสดงเป็น RUNNING
คุณสามารถเริ่มส่งภาพไปยัง Amazon Rekognition เพื่อการอนุมานได้
เราใช้ไฟล์ใดไฟล์หนึ่งในชุดข้อมูลทดสอบเพื่อทดสอบโมเดลที่เริ่มต้นใหม่ คุณสามารถใช้ไฟล์ PNG หรือ JPEG ที่เหมาะสมแทนได้
แอปพลิเคชั่น Streamlit
เพื่อสาธิตการผสานรวมกับ Amazon Rekognition เราใช้แอปพลิเคชัน Python ที่ง่ายมาก เราใช้ สตรีมไลท์ ไลบรารีเพื่อสร้างอินเทอร์เฟซผู้ใช้แบบสปาร์ตัน ซึ่งเราแจ้งให้ผู้ใช้อัปโหลดไฟล์ภาพ
เราใช้ห้องสมุด Boto3 และ detect_custom_labels
เมธอด ร่วมกับ ARN เวอร์ชันโปรเจ็กต์เพื่อเรียกใช้จุดสิ้นสุดการอนุมาน การตอบสนองเป็นเอกสาร JSON ที่มีตำแหน่งและคลาสของวัตถุต่าง ๆ ที่ตรวจพบในรูปภาพ ในกรณีของเรา สิ่งเหล่านี้คือตัวเลขไมโทติคที่อัลกอริทึมพบในรูปภาพที่เราส่งไปยังจุดสิ้นสุด ดูรหัสต่อไปนี้:
ปรับใช้แอปพลิเคชันกับ AWS
ในการปรับใช้แอปพลิเคชัน เราใช้สคริปต์ AWS CDK สามารถติดตามผลงานทั้งหมดได้ที่ GitHub . มาดูทรัพยากรต่างๆ ที่สคริปต์ใช้งานได้
สร้างที่เก็บ Amazon ECR
ในขั้นแรกในการตั้งค่าการปรับใช้ของเรา เราสร้างที่เก็บ Amazon ECR ซึ่งเราสามารถจัดเก็บอิมเมจคอนเทนเนอร์ของแอปพลิเคชันของเรา:
สร้างและจัดเก็บโทเค็น GitHub ของคุณใน AWS Secrets Manager
CodePipeline ต้องการ GitHub Personal Access Token เพื่อตรวจสอบที่เก็บ GitHub ของคุณสำหรับการเปลี่ยนแปลงและดึงรหัส ในการสร้างโทเค็น ให้ทำตามคำแนะนำใน เอกสาร GitHub. โทเค็นต้องการขอบเขต GitHub ต่อไปนี้:
- พื้นที่
repo
ขอบเขต ซึ่งใช้สำหรับการควบคุมทั้งหมดเพื่ออ่านและดึงสิ่งประดิษฐ์จากที่เก็บสาธารณะและส่วนตัวไปยังไปป์ไลน์ - พื้นที่
admin:repo_hook
ขอบเขต ซึ่งใช้สำหรับควบคุม hooks ที่เก็บข้อมูลทั้งหมด
หลังจากสร้างโทเค็นแล้ว ให้เก็บไว้ในความลับใหม่ใน ผู้จัดการความลับของ AWS ดังต่อไปนี้:
เขียนพารามิเตอร์การกำหนดค่าไปยัง AWS Systems Manager Parameter Store
สคริปต์ AWS CDK อ่านพารามิเตอร์การกำหนดค่าบางอย่างจาก ที่เก็บพารามิเตอร์ AWS Systems Managerเช่น ชื่อและเจ้าของที่เก็บ GitHub และบัญชีเป้าหมายและภูมิภาค ก่อนเปิดใช้สคริปต์ AWS CDK คุณต้องสร้างพารามิเตอร์เหล่านี้ในบัญชีของคุณเอง
คุณสามารถทำได้โดยใช้ AWS CLI เพียงเรียกใช้ put-parameter
คำสั่งที่มีชื่อ ค่า และชนิดของพารามิเตอร์:
ต่อไปนี้คือรายการพารามิเตอร์ทั้งหมดที่จำเป็นสำหรับสคริปต์ AWS CDK ทั้งหมดเป็นประเภท String
:
- /rek_wsi/prod/accountId — ID ของบัญชีที่เราปรับใช้แอปพลิเคชัน
- /rek_wsi/prod/ecr_repo_name — ชื่อของที่เก็บ Amazon ECR ที่จัดเก็บอิมเมจคอนเทนเนอร์
- /rek_wsi/prod/github/branch — สาขาในที่เก็บ GitHub ที่ CodePipeline ต้องการดึงโค้ด
- /rek_wsi/prod/github/owner — เจ้าของที่เก็บ GitHub
- /rek_wsi/prod/github/repo — ชื่อของที่เก็บ GitHub ที่เก็บรหัสของเรา
- /rek_wsi/prod/github/token — ชื่อหรือ ARN ของข้อมูลลับใน Secrets Manager ที่มีโทเค็นการตรวจสอบสิทธิ์ GitHub ของคุณ นี่เป็นสิ่งจำเป็นสำหรับ CodePipeline เพื่อให้สามารถสื่อสารกับ GitHub
- /rek_wsi/prod/region — ภูมิภาคที่เราจะปรับใช้แอปพลิเคชัน
สังเกตเห็น prod
ส่วนในชื่อพารามิเตอร์ทั้งหมด แม้ว่าเราจะไม่ต้องการรายละเอียดในระดับนี้สำหรับตัวอย่างง่ายๆ แต่จะช่วยให้สามารถนำแนวทางนี้มาใช้ซ้ำกับโครงการอื่นๆ ที่อาจจำเป็นต้องใช้สภาพแวดล้อมที่แตกต่างกัน
ทรัพยากรที่สร้างโดยสคริปต์ AWS CDK
เราต้องการแอปพลิเคชันของเราที่ทำงานใน Fargate เพื่อให้มีสิทธิ์เรียกใช้ Amazon Rekognition ดังนั้นเราจึงสร้าง an . ขึ้นมาก่อน AWS Identity และการจัดการการเข้าถึง (IAM) บทบาทงานกับ RekognitionReadOnlyPolicy
นโยบายที่แนบมาด้วย สังเกตว่า assumed_by
พารามิเตอร์ในรหัสต่อไปนี้ใช้ ecs-tasks.amazonaws.com
บริการหลัก เนื่องจากเราใช้ Amazon ECS เป็นผู้ประสานงาน เราจึงต้องการให้ Amazon ECS รับบทบาทและส่งต่อข้อมูลประจำตัวไปยังงาน Fargate
เมื่อสร้างแล้ว อิมเมจคอนเทนเนอร์แอปพลิเคชันของเราจะอยู่ในที่เก็บ Amazon ECR ส่วนตัว เราต้องการอ็อบเจ็กต์ที่อธิบายว่าเราสามารถผ่านได้เมื่อสร้างบริการ Fargate:
เราสร้าง VPC และคลัสเตอร์ใหม่สำหรับแอปพลิเคชันนี้ คุณสามารถแก้ไขส่วนนี้เพื่อใช้ VPC ของคุณเองได้โดยใช้ปุ่ม from_lookup
วิธีการของ Vpc
ระดับ:
ตอนนี้เรามี VPC และคลัสเตอร์ที่จะปรับใช้แล้ว เราจึงสร้างบริการ Fargate เราใช้ 0.25 vCPU และ RAM 512 MB สำหรับงานนี้ และเราวาง Application Load Balancer (ALB) สาธารณะไว้ข้างหน้า เมื่อปรับใช้แล้ว เราใช้ ALB CNAME เพื่อเข้าถึงแอปพลิเคชัน ดูรหัสต่อไปนี้:
ในการสร้างและปรับใช้คอนเทนเนอร์อิมเมจใหม่โดยอัตโนมัติทุกครั้งที่เราพุชโค้ดไปยังสาขาหลักของเรา เราสร้างไปป์ไลน์อย่างง่ายที่ประกอบด้วยการดำเนินการต้นทาง GitHub และขั้นตอนการสร้าง นี่คือที่ที่เราใช้ความลับที่เราจัดเก็บไว้ใน AWS Secrets Manager และ AWS Systems Manager Parameter Store ในขั้นตอนก่อนหน้านี้
CodeBuild ต้องการสิทธิ์ในการพุชอิมเมจคอนเทนเนอร์ไปยัง Amazon ECR เพื่อให้การอนุญาตเหล่านี้ เราเพิ่ม AmazonEC2ContainerRegistryFullAccess
นโยบายกับบทบาท IAM ตามความต้องการซึ่งหลักการบริการ CodeBuild สามารถสันนิษฐานได้:
โปรเจ็กต์ CodeBuild จะเข้าสู่ระบบที่เก็บ Amazon ECR ส่วนตัว สร้างอิมเมจ Docker ด้วยแอปพลิเคชัน Streamlit และพุชอิมเมจลงในที่เก็บพร้อมกับ appspec.yaml
และ imagedefinitions.json
ไฟล์
พื้นที่ appspec.yaml
file อธิบายงาน (พอร์ต เวอร์ชันแพลตฟอร์ม Fargate เป็นต้น) ในขณะที่ imagedefinitions.json
ไฟล์จะจับคู่ชื่อของอิมเมจคอนเทนเนอร์กับ Amazon ECR URI ที่เกี่ยวข้อง ดูรหัสต่อไปนี้:
สุดท้าย เรารวมระยะไปป์ไลน์ต่างๆ เข้าด้วยกัน การกระทำสุดท้ายคือ EcsDeployAction
ซึ่งใช้อิมเมจคอนเทนเนอร์ที่สร้างขึ้นในขั้นตอนก่อนหน้าและอัปเดตงานในคลัสเตอร์ ECS ของเราอย่างต่อเนื่อง:
ทำความสะอาด
เพื่อหลีกเลี่ยงค่าใช้จ่ายในอนาคต ให้ล้างทรัพยากรที่คุณสร้างขึ้นซึ่งเป็นส่วนหนึ่งของโซลูชันนี้
โมเดลฉลากแบบกำหนดเองของ Amazon Rekognition
ก่อนที่คุณจะปิดโน้ตบุ๊ก Studio ของคุณ ตรวจสอบให้แน่ใจว่าคุณหยุดโมเดล Amazon Rekognition Custom Labels แล้ว หากคุณไม่ทำ ก็ยังต้องเสียค่าใช้จ่ายต่อไป
หรือคุณสามารถใช้คอนโซล Amazon Rekognition เพื่อหยุดบริการได้:
- บนคอนโซล Amazon Rekognition ให้เลือก ใช้ป้ายกำกับที่กำหนดเอง ในบานหน้าต่างนำทาง
- Choose โครงการ ในบานหน้าต่างนำทาง
- เลือกเวอร์ชัน 1 ของ
rek-mitotic-figures-workshop
โครงการ - เกี่ยวกับ ใช้โมเดล เลือกแท็บ หยุด.
แอปพลิเคชั่น Streamlit
หากต้องการทำลายทรัพยากรทั้งหมดที่เกี่ยวข้องกับแอปพลิเคชัน Streamlit ให้เรียกใช้โค้ดต่อไปนี้จากไดเรกทอรีแอปพลิเคชัน AWS CDK:
ผู้จัดการความลับของ AWS
หากต้องการลบโทเค็น GitHub ให้ทำตามคำแนะนำใน เอกสาร.
สรุป
ในโพสต์นี้ เราได้อธิบายขั้นตอนที่จำเป็นในการฝึกโมเดล Amazon Rekognition Custom Labels สำหรับแอปพลิเคชันทางพยาธิวิทยาดิจิทัลโดยใช้ข้อมูลในโลกแห่งความเป็นจริง จากนั้นเราได้เรียนรู้วิธีใช้โมเดลจากแอปพลิเคชันง่ายๆ ที่ปรับใช้จากไปป์ไลน์ CI/CD ไปยัง Fargate
Amazon Rekognition Custom Labels ช่วยให้คุณสร้างแอปพลิเคชันด้านการดูแลสุขภาพที่เปิดใช้งาน ML ซึ่งคุณสามารถสร้างและปรับใช้ได้อย่างง่ายดายโดยใช้บริการต่างๆ เช่น Fargate, CodeBuild และ CodePipeline
คุณนึกถึงแอปพลิเคชันใด ๆ ที่จะช่วยให้นักวิจัย แพทย์ หรือผู้ป่วยของพวกเขาทำให้ชีวิตของพวกเขาง่ายขึ้นหรือไม่? ถ้าใช่ ให้ใช้รหัสในคำแนะนำนี้เพื่อสร้างแอปพลิเคชันถัดไปของคุณ และหากคุณมีคำถามใด ๆ โปรดแบ่งปันในส่วนความคิดเห็น
กิตติกรรมประกาศ
เราขอขอบคุณ Prof. Dr. Marc Aubreville ที่กรุณาอนุญาตให้เราใช้ชุดข้อมูล MITOS_WSI_CMC สำหรับโพสต์ในบล็อกนี้ ชุดข้อมูลสามารถพบได้บน GitHub.
อ้างอิง
[1] Aubreville, M., Bertram, CA, Donovan, TA และคณะ ชุดข้อมูลภาพสไลด์ทั้งหมดที่มีคำอธิบายประกอบของมะเร็งเต้านมในสุนัขเพื่อช่วยในการวิจัยมะเร็งเต้านมในมนุษย์ ข้อมูลวิทย์ 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khened, M. , Kori, A., Rajkumar, H. เอตอัล กรอบงานการเรียนรู้เชิงลึกทั่วไปสำหรับการแบ่งส่วนและการวิเคราะห์รูปภาพทั้งสไลด์ Sci Rep 11, 11579 (2021) https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 มีนาคม 2018 115 (13) E2970-E2979; เผยแพร่ครั้งแรก 12 มีนาคม 2018; https://doi.org/10.1073/pnas.1717139115
เกี่ยวกับผู้เขียน
ปาโบล นูเญซ โพลเชอร์, MSc เป็นสถาปนิกโซลูชันอาวุโสที่ทำงานให้กับทีมภาครัฐกับ Amazon Web Services Pablo มุ่งเน้นที่การช่วยเหลือลูกค้าภาครัฐด้านการดูแลสุขภาพสร้างผลิตภัณฑ์ที่เป็นนวัตกรรมใหม่บน AWS ตามแนวทางปฏิบัติที่ดีที่สุด เขาได้รับปริญญาวิทยาศาสตรมหาบัณฑิต ในสาขาวิทยาศาสตร์ชีวภาพจาก Universidad de Buenos Aires ในเวลาว่าง เขาสนุกกับการปั่นจักรยานและซ่อมแซมด้วยอุปกรณ์ฝังตัวที่รองรับ ML
ราซวาน ไอโอนาเซกปริญญาเอก บริหารธุรกิจมหาบัณฑิต เป็นผู้นำทางเทคนิคด้านการดูแลสุขภาพที่ Amazon Web Services ในยุโรป ตะวันออกกลาง และแอฟริกา งานของเขามุ่งเน้นไปที่การช่วยเหลือลูกค้าด้านการดูแลสุขภาพในการแก้ปัญหาทางธุรกิจด้วยการใช้ประโยชน์จากเทคโนโลยี ก่อนหน้านี้ Razvan เป็นหัวหน้าผลิตภัณฑ์ปัญญาประดิษฐ์ (AI) ระดับโลกที่ Siemens Healthineers ซึ่งดูแล AI-Rad Companion ตระกูลโซลูชันด้านสุขภาพดิจิทัลที่ขับเคลื่อนด้วย AI และคลาวด์สำหรับการถ่ายภาพ เขาถือสิทธิบัตรใน AI/ML มากกว่า 30 ฉบับสำหรับการถ่ายภาพทางการแพทย์ และได้ตีพิมพ์สิ่งพิมพ์ทางเทคนิคและทางคลินิกที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญกว่า 70 ฉบับเกี่ยวกับการมองเห็นด้วยคอมพิวเตอร์ การสร้างแบบจำลองทางคอมพิวเตอร์ และการวิเคราะห์ภาพทางการแพทย์ Razvan สำเร็จการศึกษาระดับปริญญาเอกด้านวิทยาการคอมพิวเตอร์จาก Technical University Munich และ MBA จาก University of Cambridge, Judge Business School
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- การกระทำ
- แอฟริกา
- AI
- ขั้นตอนวิธี
- ทั้งหมด
- แล้ว
- แม้ว่า
- อเมซอน
- ความหมายของ Amazon
- อเมซอน SageMaker
- Amazon Web Services
- การวิเคราะห์
- การใช้งาน
- การใช้งาน
- APT
- สถาปัตยกรรม
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ (AI)
- สินทรัพย์
- การยืนยันตัวตน
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- แกว่ง
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- บล็อก
- การส่งเสริม
- กล่อง
- โรคมะเร็งเต้านม
- สร้าง
- ธุรกิจ
- โทรศัพท์
- เคมบริดจ์
- สามารถรับ
- โรคมะเร็ง
- การวิจัยโรคมะเร็ง
- รับผิดชอบ
- การจัดหมวดหมู่
- รหัส
- ชุด
- ความคิดเห็น
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ความมั่นใจ
- องค์ประกอบ
- ปลอบใจ
- ภาชนะ
- ภาชนะบรรจุ
- มี
- อย่างต่อเนื่อง
- ค่าใช้จ่าย
- การสร้าง
- หนังสือรับรอง
- ลูกค้า
- ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- การเรียนรู้ลึก ๆ
- ทำลาย
- รายละเอียด
- การตรวจพบ
- นักพัฒนา
- พัฒนาการ
- อุปกรณ์
- ต่าง
- ดิจิตอล
- สุขภาพดิจิทัล
- แปลง
- นักเทียบท่า
- แพทย์
- ลง
- อย่างง่ายดาย
- เสียงสะท้อน
- ปลายทาง
- สิ่งแวดล้อม
- ยุโรป
- ตัวอย่าง
- ประสบการณ์
- ส่งออก
- ครอบครัว
- ลักษณะ
- คุณสมบัติ
- รูป
- ชื่อจริง
- ปฏิบัติตาม
- ส้อม
- รูป
- พบ
- กรอบ
- ฟรี
- เต็ม
- ฟังก์ชัน
- อนาคต
- สร้าง
- เรขาคณิต
- GitHub
- ให้
- เหตุการณ์ที่
- ทองคำ
- ให้
- ทุน
- มี
- หัว
- สุขภาพ
- การดูแลสุขภาพ
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- AMI
- เอกลักษณ์
- ภาพ
- การวิเคราะห์ภาพ
- การแบ่งส่วนภาพ
- การถ่ายภาพ
- การนำเข้า
- ข้อมูล
- นวัตกรรม
- สำคัญ
- บูรณาการ
- Intelligence
- อยากเรียนรู้
- International
- ร่วมมือ
- IT
- โน้ตบุ๊ค Jupyter
- ป้ายกำกับ
- ใหญ่
- ล่าสุด
- การเปิดตัว
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- ชั้น
- ห้องสมุด
- Line
- ลินุกซ์
- รายการ
- รายการ
- โหลด
- การปรับเนื้อหาให้สอดคล้องกับท้องถิ่น
- เรียนรู้เครื่อง
- แผนที่
- มีนาคม
- ทางการแพทย์
- ภาพทางการแพทย์
- กลาง
- ตะวันออกกลาง
- ML
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- ข้อมูลเพิ่มเติม
- มิวนิค
- ชื่อ
- การเดินเรือ
- จำเป็น
- การตรวจจับวัตถุ
- การดูแลพนักงานใหม่
- อื่นๆ
- เจ้าของ
- สิทธิบัตร
- พยาธิวิทยา
- ผู้ป่วย
- การปฏิบัติ
- ส่วนบุคคล
- เวที
- นโยบาย
- หลัก
- ส่วนตัว
- กระบวนการ
- การผลิต
- ผลผลิต
- ผลิตภัณฑ์
- มืออาชีพ
- โครงการ
- โครงการ
- ให้
- ให้
- สาธารณะ
- ภาครัฐ
- สิ่งพิมพ์
- หลาม
- แรม
- การวิจัย
- แหล่งข้อมูล
- คำตอบ
- วิ่ง
- วิ่ง
- sagemaker
- การสแกน
- โรงเรียน
- วิทยาศาสตร์
- วิทยาศาสตร์
- ภาค
- เลือก
- บริการ
- ชุด
- การตั้งค่า
- Share
- ซีเมนส์
- สำคัญ
- ง่าย
- ขนาด
- เล็ก
- So
- โซลูชัน
- แก้
- ช่องว่าง
- เฉพาะ
- แยก
- ระยะ
- เริ่มต้น
- ข้อความที่เริ่ม
- สถานะ
- Status
- การเก็บรักษา
- จัดเก็บ
- สตูดิโอ
- รองรับ
- สวิตซ์
- ระบบ
- เป้า
- วิชาการ
- เทคนิค
- เทคโนโลยี
- ทดสอบ
- ที่มา
- ตลอด
- เวลา
- ต้องใช้เวลามาก
- ร่วมกัน
- โทเค็น
- เครื่องมือ
- ด้านบน
- การฝึกอบรม
- การทำธุรกรรม
- เป็นเอกลักษณ์
- มหาวิทยาลัย
- มหาวิทยาลัยเคมบริดจ์
- บันทึก
- URI
- us
- USD
- ความคุ้มค่า
- รุ่น
- วิสัยทัศน์
- W
- เว็บ
- บริการเว็บ
- web-based
- อะไร
- ความหมายของ
- WHO
- อย่างกว้างขวาง
- ภายใน
- ไม่มี
- งาน
- การทำงาน
- จะ
- การเขียน
- X
- ปี
- YouTube