Histoloji, kullanıma sunulmasının üzerinden yüz yılı aşkın süre geçmesine rağmen, tümör tanısı ve prognozunda altın standart olmayı sürdürüyor. Anatomik patologlar, kanser hastalarını tümör genotiplerine ve fenotiplerine ve klinik sonuçlarına bağlı olarak farklı gruplara ayırmak için histolojiyi değerlendirirler [1,2]. Ancak histolojik slaytların insan tarafından değerlendirilmesi subjektiftir ve tekrarlanamaz [3]. Ayrıca histolojik değerlendirme yüksek eğitimli profesyoneller gerektiren zaman alıcı bir süreçtir.
Son on yıldaki önemli teknolojik ilerlemelerle birlikte, tam slayt görüntüleme (WSI) ve derin öğrenme (DL) gibi teknikler artık yaygın olarak mevcuttur. WSI, geleneksel mikroskopi cam slaytlarının taranarak bu slaytlardan tek, yüksek çözünürlüklü bir görüntü üretilmesidir. Bu, aşırı derecede zaman alıcı ve pahalı olabilecek büyük patoloji görüntüleri setlerinin dijitalleştirilmesine ve toplanmasına olanak tanır. Bu tür veri kümelerinin varlığı, patologların ilgilenilen özellikleri hızlı bir şekilde tanımlayarak tanıları hızlandırmasına yardımcı olmak için makine öğrenimi (ML) gibi teknikleri kullanarak tanıyı hızlandırmanın yeni ve yenilikçi yollarını yaratır.
Bu yazıda, daha önce makine öğrenimi deneyimi olmayan geliştiricilerin bu makineyi nasıl kullanabileceğini inceleyeceğiz. Amazon Rekognition Özel Etiketleri hücresel özellikleri sınıflandıran bir modeli eğitmek. Amazon Rekognition Özel Etiketler, Amazon Rekognition'ın bir özelliğidir. Amazon Rekognisyon Bu, özel kullanım durumunuza entegre olan benzersiz nesneleri ve sahneleri tespit etmek için kendi özel makine öğrenimi tabanlı görüntü analizi yeteneklerinizi oluşturmanıza olanak tanır. Özellikle, bu görüntülerin nasıl işleneceğini göstermek ve mitotik figürleri algılayan bir modeli eğitmek için köpek meme karsinomunun tüm slayt görüntülerini içeren bir veri kümesini kullanıyoruz [1]. Bu veri seti, bu yazı için kullanmamıza izin verme nezaketini gösteren Prof. Dr. Marc Aubreville'in izniyle kullanılmıştır. Daha fazla bilgi için bu yazının sonundaki Teşekkürler bölümüne bakın.
Çözüme Genel Bakış
Çözüm iki bileşenden oluşur:
- Amazon Rekognition Özel Etiketler modeli — Amazon Rekognition'ın mitotik figürleri tespit etmesini sağlamak için aşağıdaki adımları tamamlıyoruz:
- Aşağıdakileri kullanarak yeterli boyutta görüntüler üretmek için WSI veri kümesini örnekleyin: Amazon SageMaker Stüdyosu ve Jupyter not defterinde çalışan bir Python kodu. Studio, üretkenliğinizi artırırken modellerinizi deneme aşamasından üretim aşamasına geçirmek için ihtiyacınız olan tüm araçları sağlayan, ML'ye yönelik web tabanlı, entegre bir geliştirme ortamıdır (IDE). Modelimizi eğitmek amacıyla görüntüleri daha küçük parçalara bölmek için Studio'yu kullanacağız.
- Önceki adımda hazırlanan verileri kullanarak hematoksilen-eozin numunelerindeki mitotik figürleri tanımak için bir Amazon Rekognition Custom Labels modelini eğitin.
- Bir ön uç uygulaması — Önceki adımda eğittiğimiz modele benzer bir modelin nasıl kullanılacağını göstermek için aşağıdaki adımları tamamlıyoruz:
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Bu yazıda tartışılan uygulamayı dağıtmak için gerekli tüm kaynaklar ve tüm bölümün kodu şu adreste mevcuttur: GitHub. Depoyu klonlayabilir veya çatallayabilir, istediğiniz değişiklikleri yapabilir ve kendiniz çalıştırabilirsiniz.
Sonraki adımlarda, verilerin elde edilmesi ve hazırlanması, modelin eğitilmesi ve örnek bir uygulamadan kullanılmasıyla ilgili farklı adımları anlamak için kodun üzerinden geçeceğiz.
maliyetler
Bu izlenecek yoldaki adımları çalıştırırken aşağıdaki AWS hizmetlerini kullanmaktan dolayı küçük maliyetlere katlanırsınız:
- Amazon Rekognisyon
- AWS Fargate
- Uygulama Yük Dengeleyici
- AWS Sırları Yöneticisi
Ayrıca, artık Ücretsiz Kullanım süresi veya koşulları dahilinde değilse, aşağıdaki hizmetlerden dolayı ücret ödemeniz gerekebilir:
- Kod Boru Hattı
- Kod Oluşturma
- Amazon ECR'si
- Amazon Adaçayı Yapıcı
Bu kılavuzu tamamladıktan sonra temizleme adımlarını doğru bir şekilde tamamlarsanız Amazon Rekognition Custom Labels modeli ve web uygulaması bir saat veya daha kısa süre çalışırsa maliyetlerin 10 ABD Dolarından az olmasını bekleyebilirsiniz.
Önkoşullar
Tüm adımları tamamlamak için aşağıdakilere ihtiyacınız vardır:
Mitotik şekil sınıflandırma modelinin eğitimi
Modeli eğitmek için gereken tüm adımları bir Studio not defterinden çalıştırıyoruz. Studio'yu daha önce hiç kullanmadıysanız, şunları yapmanız gerekebilir: tahtada Birinci. Daha fazla bilgi için bakınız Amazon SageMaker Studio'ya Hızla Başlayın.
Aşağıdaki adımlardan bazıları, standart bir ml.t3.medium dizüstü bilgisayarda bulunandan daha fazla RAM gerektirir. ml.m5.large dizüstü bilgisayarı seçtiğinizden emin olun. Sayfanın sağ üst köşesinde 2 vCPU + 8 GiB göstergesini görmelisiniz.
Bu bölümün kodu şu şekilde mevcuttur: Jupyter defter dosyası.
Studio'ya katıldıktan sonra aşağıdakileri yapın: Bu talimatları Studio'ya sizin adınıza Amazon Rekognition'ı araması için gerekli izinleri vermek.
Bağımlılıklar
Başlangıç olarak aşağıdaki adımları tamamlamamız gerekiyor:
- Linux paketlerini güncelleyin ve OpenSlide gibi gerekli bağımlılıkları yükleyin:
- Fastai ve SlideRunner kitaplıklarını pip kullanarak yükleyin:
- Veri kümesini indirin (bunu otomatik olarak yapmak için bir komut dosyası sağlıyoruz):
Veri kümesini işle
Veri hazırlama aşamasında kullandığımız paketlerden bazılarını import ederek başlayacağız. Daha sonra bu veri seti için açıklama veritabanını indirip yüklüyoruz. Bu veritabanı mitotik figürlerin (sınıflandırmak istediğimiz özellikler) tüm slayt görsellerindeki konumlarını içerir. Aşağıdaki koda bakın:
SageMaker kullandığımız için yeni bir SageMaker oluşturuyoruz Oturum Veri kümemizi bir bilgisayara yüklemek gibi görevleri kolaylaştırmak için itiraz Amazon Basit Depolama Hizmeti (Amazon S3) kovası. İşlenen görüntü dosyalarımızı yüklemek için SageMaker'ın varsayılan olarak oluşturduğu S3 klasörünü de kullanırız.
The slidelist_test
dizi, eğitilen modelin performansını değerlendirmek için test veri kümesinin bir parçası olarak kullandığımız slaytların kimliklerini içerir. Aşağıdaki koda bakın:
Bir sonraki adım, modelimizi eğitmek için kullanabileceğimiz daha küçük alanları alabileceğimiz etiketlerle birlikte bir dizi eğitim ve test slayt alanı elde etmektir. get_slides'ın kodu sample.py dosyasındadır. GitHub.
Eğitim ve test slaytlarından rastgele örnekleme yapmak istiyoruz. Eğitim ve test slaytlarının listesini kullanıyoruz ve rastgele seçiyoruz n_training_images
kez eğitim için bir dosya ve n_test_images
test için bir dosyanın katı:
Daha sonra, eğitim görselleri için bir dizin ve test görselleri için bir dizin oluşturuyoruz:
Modeli eğitmek için gereken daha küçük görüntüleri üretmeden önce, eğitim ve test verilerini tanımlamak için gereken meta verileri üreten bazı yardımcı kodlara ihtiyacımız var. Aşağıdaki kod, ilgilenilen özellikleri (mitotik şekiller) çevreleyen belirli bir sınırlayıcı kutunun kestiğimiz bölge içerisinde olmasını sağlar ve görüntüyü ve içindeki özellikleri açıklayan bir JSON satırı üretir. Amazon SageMaker Yer Gerçeği Amazon Rekognition Custom Labels'ın gerektirdiği formattır. Nesne algılamaya yönelik bu bildirim dosyası hakkında daha fazla bilgi için bkz. Bildirim dosyalarında nesne yerelleştirme.
İle generate_annotations
işlevi yerine getirdiğimizde, eğitim ve test görüntülerini oluşturmak için kodu yazabiliriz:
Gerekli tüm verilere sahip olmanın son adımı bir yazmaktır. manifest.json
veri kümelerinin her biri için dosya:
Dosyaları S3'e aktarın
Biz kullanın upload_data
SageMaker oturum nesnesinin görüntüleri ve bildirim dosyalarını varsayılan SageMaker S3 klasörüne yüklemek için sunduğu yöntem:
Amazon Rekognition Özel Etiketler modelini eğitme
Zaten Amazon S3'te bulunan verilerle özel bir model eğitmeye başlayabiliriz. Amazon Rekognition istemcisi oluşturmak ve bir proje oluşturmak için Boto3 kütüphanesini kullanıyoruz:
Proje kullanıma hazır olduğundan artık Amazon S3'teki eğitim ve test veri kümelerine işaret eden bir proje sürümüne ihtiyacınız var. Her sürüm ideal olarak farklı veri kümelerine (veya bunun farklı sürümlerine) işaret eder. Bu, bir modelin farklı versiyonlarına sahip olmamızı, performanslarını karşılaştırmamızı ve gerektiğinde bunlar arasında geçiş yapmamızı sağlar. Aşağıdaki koda bakın:
Proje sürümünü oluşturduktan sonra Amazon Rekognition otomatik olarak eğitim sürecini başlatır. Eğitim süresi, görüntülerin boyutu ve sayısı, sınıf sayısı vb. gibi çeşitli özelliklere bağlıdır. Bu durumda 500 görüntü için eğitimin tamamlanması yaklaşık 90 dakika sürer.
Modeli test edin
Eğitimin ardından Amazon Rekognition Özel Etiketlerdeki her model, STOPPED
durum. Çıkarım amacıyla kullanmak için onu başlatmanız gerekir. Proje sürümü ARN'sini proje sürümü açıklamasından alıyoruz ve bunu projeye aktarıyoruz. start_project_version
. dikkat edin MinInferenceUnits
parametre - bir çıkarım birimiyle başlıyoruz. Bu çıkarım biriminin desteklediği saniyedeki gerçek maksimum işlem sayısı (TPS), modelinizin karmaşıklığına bağlıdır. TPS hakkında daha fazla bilgi edinmek için buna bakın blog yazısı.
Proje sürümünüz şu şekilde listelendiğinde: RUNNING
, çıkarım için görüntüleri Amazon Rekognition'a göndermeye başlayabilirsiniz.
Yeni başlatılan modeli test etmek için test veri setindeki dosyalardan birini kullanıyoruz. Bunun yerine uygun herhangi bir PNG veya JPEG dosyasını kullanabilirsiniz.
Kolaylaştırılmış uygulama
Amazon Rekognition ile entegrasyonu göstermek için çok basit bir Python uygulaması kullanıyoruz. biz kullanıyoruz Akışlı kullanıcıdan bir görüntü dosyası yüklemesini istediğimiz sade bir kullanıcı arayüzü oluşturmak için kütüphane.
Boto3 kütüphanesini kullanıyoruz ve detect_custom_labels
çıkarım uç noktasını çağırmak için proje sürümü ARN ile birlikte yöntem. Yanıt, görüntüde tespit edilen farklı nesnelerin konumlarını ve sınıflarını içeren bir JSON belgesidir. Bizim durumumuzda bunlar, uç noktaya gönderdiğimiz görüntüde algoritmanın bulduğu mitotik figürlerdir. Aşağıdaki koda bakın:
Uygulamayı AWS'ye dağıtın
Uygulamayı dağıtmak için bir AWS CDK betiği kullanıyoruz. Projenin tamamına şuradan ulaşılabilir: GitHub . Komut dosyası tarafından dağıtılan farklı kaynaklara bakalım.
Amazon ECR deposu oluşturma
Dağıtımımızı kurmanın ilk adımı olarak uygulama konteyneri görüntülerimizi saklayabileceğimiz bir Amazon ECR deposu oluşturuyoruz:
GitHub jetonunuzu AWS Secrets Manager'da oluşturun ve saklayın
CodePipeline'ın, GitHub deponuzu değişikliklere ve çekme koduna karşı izlemek için bir GitHub Kişisel Erişim Simgesine ihtiyacı vardır. Belirteci oluşturmak için aşağıdaki yönergeleri izleyin. GitHub belgeleri. Belirteç aşağıdaki GitHub kapsamlarını gerektirir:
- The
repo
Genel ve özel depolardaki yapıtları okumak ve bir boru hattına çekmek için tam kontrol için kullanılan kapsam. - The
admin:repo_hook
depo kancalarının tam kontrolü için kullanılan kapsam.
Belirteci oluşturduktan sonra onu yeni bir gizli dizide saklayın. AWS Sırları Yöneticisi aşağıdaki gibidir:
Yapılandırma parametrelerini AWS Systems Manager Parameter Store'a yazın
AWS CDK betiği bazı yapılandırma parametrelerini okur. AWS Systems Manager Parametre DeposuGitHub deposunun adı ve sahibi ile hedef hesap ve Bölge gibi. AWS CDK betiğini başlatmadan önce bu parametreleri kendi hesabınızda oluşturmanız gerekir.
Bunu AWS CLI'yi kullanarak yapabilirsiniz. Basitçe çağırmak put-parameter
bir adı, değeri ve parametre türünü içeren komut:
Aşağıda AWS CDK betiğinin gerektirdiği tüm parametrelerin listesi bulunmaktadır. Hepsi bir tür String
:
- /rek_wsi/prod/accountId — Uygulamayı dağıtacağımız hesabın kimliği.
- /rek_wsi/prod/ecr_repo_name — Container görüntülerinin depolandığı Amazon ECR deposunun adı.
- /rek_wsi/prod/github/branch — CodePipeline'ın kodu alması gereken GitHub deposundaki dal.
- /rek_wsi/prod/github/owner — GitHub deposunun sahibi.
- /rek_wsi/prod/github/repo — Kodumuzun saklandığı GitHub deposunun adı.
- /rek_wsi/prod/github/token — Secrets Manager'da GitHub kimlik doğrulama belirtecinizi içeren sırrın adı veya ARN'si. CodePipeline'ın GitHub ile iletişim kurabilmesi için bu gereklidir.
- /rek_wsi/prod/region — Uygulamayı dağıtacağımız bölge.
Dikkat prod
tüm parametre adlarındaki segment. Bu kadar basit bir örnek için bu düzeyde detaya ihtiyacımız olmasa da, bu yaklaşımın farklı ortamların gerekli olabileceği diğer projelerde yeniden kullanılmasına olanak sağlayacaktır.
AWS CDK betiği tarafından oluşturulan kaynaklar
Fargate görevinde çalışan uygulamamızın Amazon Rekognition'ı çağırma izinlerine sahip olması gerekiyor. Bu yüzden ilk önce bir oluştururuz AWS Kimlik ve Erişim Yönetimi (IAM) Görev Rolü RekognitionReadOnlyPolicy
politika ona eklenmiştir. Şuna dikkat edin: assumed_by
Aşağıdaki koddaki parametre, ecs-tasks.amazonaws.com
servis müdürü. Bunun nedeni, orkestratör olarak Amazon ECS'yi kullanmamızdır, dolayısıyla rolü üstlenmesi ve kimlik bilgilerini Fargate görevine aktarması için Amazon ECS'ye ihtiyacımız vardır.
Uygulama kapsayıcısı görüntümüz oluşturulduktan sonra özel bir Amazon ECR deposunda bulunur. Fargate hizmetini oluştururken iletebileceğimiz, onu tanımlayan bir nesneye ihtiyacımız var:
Bu uygulama için yeni bir VPC ve Cluster oluşturuyoruz. Bu bölümü kullanarak kendi VPC'nizi kullanacak şekilde değiştirebilirsiniz. from_lookup
yöntem Vpc
sınıf:
Artık dağıtılacak bir VPC'miz ve kümemiz olduğuna göre Fargate hizmetini oluşturuyoruz. Bu görev için 0.25 vCPU ve 512 MB RAM kullanıyoruz ve önüne genel bir Application Load Balancer (ALB) yerleştiriyoruz. Dağıtıldıktan sonra uygulamaya erişmek için ALB CNAME'yi kullanırız. Aşağıdaki koda bakın:
Ana şubemize her kod gönderişimizde otomatik olarak yeni bir kapsayıcı görüntüsü oluşturmak ve dağıtmak için GitHub kaynak eylemi ve derleme adımından oluşan basit bir işlem hattı oluştururuz. Önceki adımlarda AWS Secrets Manager ve AWS Systems Manager Parameter Store'da sakladığımız gizli dizileri burada kullanacağız.
CodeBuild'in konteyner görüntülerini Amazon ECR'ye aktarmak için izinlere ihtiyacı var. Bu izinleri vermek için şunu ekliyoruz: AmazonEC2ContainerRegistryFullAccess
CodeBuild hizmet sorumlusunun üstlenebileceği özel bir IAM rolüne ilişkin politika:
CodeBuild projesi, özel Amazon ECR deposunda oturum açar, Streamlit uygulamasıyla Docker görüntüsünü oluşturur ve görüntüyü bir kodla birlikte depoya iter. appspec.yaml
ve bir imagedefinitions.json
dosyası.
The appspec.yaml
dosya görevi (bağlantı noktası, Fargate platformu sürümü vb.) tanımlarken, imagedefinitions.json
dosyası, konteyner görüntülerinin adlarını ilgili Amazon ECR URI'sine eşler. Aşağıdaki koda bakın:
Son olarak farklı boru hattı aşamalarını bir araya getirdik. Son eylem ise EcsDeployAction
, önceki aşamada oluşturulan konteyner görüntüsünü alır ve ECS kümemizdeki görevlerin sürekli güncellemesini yapar:
Temizlemek
Gelecekteki maliyetlere maruz kalmamak için bu çözümün bir parçası olarak oluşturduğunuz kaynakları temizleyin.
Amazon Rekognition Özel Etiketler modeli
Studio dizüstü bilgisayarınızı kapatmadan önce Amazon Rekognition Özel Etiketler modelini durdurduğunuzdan emin olun. Bunu yapmazsanız, maliyet yaratmaya devam eder.
Alternatif olarak hizmeti durdurmak için Amazon Rekognition konsolunu kullanabilirsiniz:
- Amazon Rekognition konsolunda şunu seçin: Özel Etiketleri Kullanın Gezinti bölmesinde.
- Klinik Projeler Gezinti bölmesinde.
- Sürüm 1'i seçin
rek-mitotic-figures-workshop
projesi. - Üzerinde Modeli Kullan sekmesini seçin dur.
Kolaylaştırılmış uygulama
Streamlit uygulamasıyla ilişkili tüm kaynakları yok etmek için AWS CDK uygulama dizininden aşağıdaki kodu çalıştırın:
AWS Sırları Yöneticisi
GitHub belirtecini silmek için aşağıdaki yönergeleri izleyin: belgeleme.
Sonuç
Bu yazıda, gerçek dünya verilerini kullanan bir dijital patoloji uygulaması için Amazon Rekognition Özel Etiketler modelini eğitmek üzere gerekli adımları inceledik. Daha sonra, bir CI/CD hattından Fargate'e dağıtılan basit bir uygulamadan modelin nasıl kullanılacağını öğrendik.
Amazon Rekognition Custom Labels, Fargate, CodeBuild ve CodePipeline gibi hizmetleri kullanarak kolayca oluşturup dağıtabileceğiniz ML özellikli sağlık hizmetleri uygulamaları oluşturmanıza olanak tanır.
Araştırmacıların, doktorların veya hastalarının hayatlarını kolaylaştıracak uygulamalar aklınıza geliyor mu? Öyleyse, bir sonraki uygulamanızı oluşturmak için bu izlenecek yoldaki kodu kullanın. Ve sorularınız varsa lütfen yorum bölümünde paylaşın.
Teşekkürler
Bu blog yazısı için MITOS_WSI_CMC veri setini kullanmamıza izin verme nezaketini gösterdiği için Prof. Dr. Marc Aubreville'e teşekkür ederiz. Veri kümesi şu adreste bulunabilir: GitHub.
Referanslar
[1] Aubreville, M., Bertram, CA, Donovan, TA ve diğerleri. İnsan meme kanseri araştırmalarına yardımcı olmak için köpek meme kanserinin tamamen açıklamalı tam slayt görüntü veri kümesi. Sci Verileri 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khered, M., Kori, A., Rajkumar, H. ve ark. Tam slayt görüntüsünün segmentasyonu ve analizi için genelleştirilmiş bir derin öğrenme çerçevesi. Sci Rep 11, 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 Mart 2018 115 (13) E2970-E2979; ilk olarak 12 Mart 2018'de yayınlandı; https://doi.org/10.1073/pnas.1717139115
Yazar Hakkında
Pablo Nuñez Pölcher, MSc, Amazon Web Services'in Kamu Sektörü ekibinde çalışan Kıdemli Çözüm Mimarıdır. Pablo, sağlık sektörü kamu sektörü müşterilerinin en iyi uygulamalara uygun olarak AWS üzerinde yeni, yenilikçi ürünler oluşturmasına yardımcı olmaya odaklanıyor. Yüksek Lisans derecesini aldı. Universidad de Buenos Aires'ten Biyoloji Bilimleri alanında. Boş zamanlarında bisiklete binmeyi ve ML özellikli yerleşik cihazlarla uğraşmayı seviyor.
Razvan Ionasec, PhD, MBA, Amazon Web Services'in Avrupa, Orta Doğu ve Afrika'daki sağlık hizmetleri teknik lideridir. Çalışmaları, sağlık hizmeti müşterilerinin iş sorunlarını teknolojiden yararlanarak çözmelerine yardımcı olmaya odaklanıyor. Daha önce Razvan, Siemens Healthineers'ta yapay zeka (AI) ürünlerinin küresel başkanı olarak, görüntülemeye yönelik yapay zeka destekli ve bulut tabanlı dijital sağlık çözümleri ailesi olan AI-Rad Companion'dan sorumluydu. Tıbbi görüntülemeye yönelik AI/ML alanında 30'dan fazla patente sahiptir ve bilgisayarlı görme, hesaplamalı modelleme ve tıbbi görüntü analizi üzerine 70'ten fazla uluslararası hakemli teknik ve klinik yayın yayınlamıştır. Razvan, Bilgisayar Bilimleri alanında doktora derecesini Münih Teknik Üniversitesi'nden ve MBA derecesini Cambridge Üniversitesi, Judge Business School'dan aldı.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- Hakkımızda
- hızlandırmak
- erişim
- Hesap
- Action
- Afrika
- AI
- algoritma
- Türkiye
- zaten
- Rağmen
- Amazon
- Amazon Rekognisyon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- analiz
- Uygulama
- uygulamaları
- APT
- mimari
- yapay
- yapay zeka
- Yapay zeka (AI)
- Varlıklar
- Doğrulama
- kullanılabilirliği
- mevcut
- AWS
- salıncak
- İYİ
- en iyi uygulamalar
- Blog
- artırılması
- kutu
- Meme kanseri
- inşa etmek
- iş
- çağrı
- Cambridge
- Alabilirsin
- Kanser
- kanser araştırması
- ücret
- sınıflandırma
- kod
- Toplamak
- yorumlar
- Bilgisayar Bilimleri
- Bilgisayar görüşü
- güven
- yapılandırma
- konsolos
- Konteyner
- Konteynerler
- içeren
- devam ediyor
- maliyetler
- Oluşturma
- Tanıtım
- Müşteriler
- veri
- veritabanı
- veritabanları
- derin öğrenme
- yıkmak
- ayrıntı
- Bulma
- geliştiriciler
- gelişme
- Cihaz
- farklı
- dijital
- Dijital Sağlık
- dijitalleşme
- liman işçisi
- Doktorlar
- aşağı
- kolayca
- kaçırmak
- Son nokta
- çevre
- AVRUPA
- örnek
- deneyim
- ihracat
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- şekil
- Ad
- takip et
- çatal
- biçim
- bulundu
- iskelet
- Ücretsiz
- tam
- işlev
- gelecek
- oluşturmak
- geometri
- GitHub
- Verilmesi
- Küresel
- Altın
- vermek
- yardımlar
- sahip olan
- baş
- Sağlık
- sağlık
- yardım et
- okuyun
- Ne kadar
- Nasıl Yapılır
- HTTPS
- IAM
- Kimlik
- görüntü
- görüntü analizi
- Resim parçalama
- Görüntüleme
- ithal
- bilgi
- yenilikçi
- integral
- bütünleşme
- İstihbarat
- faiz
- Uluslararası
- ilgili
- IT
- Jupyter Not Defteri
- Etiketler
- büyük
- son
- fırlatma
- ÖĞRENİN
- öğrendim
- öğrenme
- seviye
- Kütüphane
- çizgi
- linux
- Liste
- Listeler
- yük
- Yerelleştirme
- makine öğrenme
- Haritalar
- Mart
- tıbbi
- tıbbi Görüntüleme
- orta
- Orta Doğu
- ML
- model
- Modelleme
- modelleri
- Daha
- Münih
- isimleri
- Navigasyon
- gerekli
- Nesne algılama
- Onboarding
- Diğer
- sahip
- Patentler
- patoloji
- hastalar
- performans
- kişisel
- platform
- politika
- Anapara
- özel
- süreç
- üretim
- verimlilik
- Ürünler
- profesyoneller
- proje
- Projeler
- sağlamak
- sağlar
- halka açık
- kamu sektörü
- yayınlar
- Python
- RAM
- araştırma
- Kaynaklar
- yanıt
- koşmak
- koşu
- sagemaker
- tarama
- Okul
- Bilim
- BİLİMLERİ
- sektör
- seçilmiş
- Hizmetler
- set
- ayar
- paylaş
- iletkenlik birimi
- önemli
- Basit
- beden
- küçük
- So
- Çözümler
- ÇÖZMEK
- uzay
- özel
- bölmek
- Aşama
- başlama
- başladı
- Eyalet
- Durum
- hafızası
- mağaza
- stüdyo
- Destekler
- anahtar
- Sistemler
- Hedef
- Teknik
- teknikleri
- Teknoloji
- test
- Kaynak
- İçinden
- zaman
- zaman tükeniyor
- birlikte
- simge
- araçlar
- üst
- Eğitim
- işlemler
- benzersiz
- üniversite
- Cambridge Üniversitesi
- Güncelleme
- URI
- us
- USD
- değer
- versiyon
- vizyonumuz
- W
- ağ
- web hizmetleri
- Web tabanlı
- Ne
- Nedir
- DSÖ
- geniş ölçüde
- içinde
- olmadan
- İş
- çalışma
- olur
- yazı yazıyor
- X
- yıl
- Youtube