اس کے تعارف کے سو سال بعد بھی، ہسٹولوجی ٹیومر کی تشخیص اور تشخیص میں سونے کا معیار بنی ہوئی ہے۔ اناٹومک پیتھالوجسٹ کینسر کے مریضوں کو ان کے ٹیومر جینی ٹائپس اور فینوٹائپس اور ان کے طبی نتائج [1,2] کی بنیاد پر مختلف گروہوں میں تقسیم کرنے کے لیے ہسٹولوجی کا جائزہ لیتے ہیں۔ تاہم، ہسٹولوجیکل سلائیڈز کی انسانی تشخیص ساپیکش ہے اور قابل تکرار نہیں ہے [3]۔ مزید برآں، ہسٹولوجیکل تشخیص ایک وقت طلب عمل ہے جس کے لیے اعلیٰ تربیت یافتہ پیشہ ور افراد کی ضرورت ہوتی ہے۔
پچھلی دہائی میں اہم تکنیکی ترقی کے ساتھ، پوری سلائیڈ امیجنگ (WSI) اور ڈیپ لرننگ (DL) جیسی تکنیکیں اب وسیع پیمانے پر دستیاب ہیں۔ ڈبلیو ایس آئی روایتی مائیکروسکوپی شیشے کی سلائیڈوں کی اسکیننگ ہے جو ان سلائیڈوں سے ایک واحد، ہائی ریزولوشن امیج تیار کرتی ہے۔ یہ پیتھالوجی امیجز کے بڑے سیٹوں کو ڈیجیٹائزیشن اور اکٹھا کرنے کی اجازت دیتا ہے، جو کہ ممنوعہ طور پر وقت طلب اور مہنگا ہوتا۔ اس طرح کے ڈیٹا سیٹس کی دستیابی مشین لرننگ (ML) جیسی تکنیکوں کا استعمال کرتے ہوئے تشخیص کو تیز کرنے کے نئے اور جدید طریقے پیدا کرتی ہے تاکہ پیتھالوجسٹ کو دلچسپی کی خصوصیات کی فوری شناخت کرکے تشخیص کو تیز کرنے میں مدد کی جاسکے۔
اس پوسٹ میں، ہم دریافت کریں گے کہ پچھلے ML تجربے کے بغیر ڈویلپرز کیسے استعمال کر سکتے ہیں۔ ایمیزون ریکگنیشن کسٹم لیبلز سیلولر خصوصیات کی درجہ بندی کرنے والے ماڈل کو تربیت دینے کے لیے۔ Amazon Recognition Custom Labels کی ایک خصوصیت ہے۔ ایمیزون پہچان۔ جو آپ کو اپنے مخصوص ML پر مبنی تصویری تجزیہ کی صلاحیتوں کو تیار کرنے کے قابل بناتا ہے تاکہ آپ کے مخصوص استعمال کے معاملے میں اٹوٹ منفرد اشیاء اور مناظر کا پتہ لگایا جا سکے۔ خاص طور پر، ہم ایک ڈیٹاسیٹ کا استعمال کرتے ہیں جس میں کینائن میمری کارسنوما [1] کی پوری سلائیڈ امیجز پر مشتمل ہوتا ہے یہ ظاہر کرنے کے لیے کہ ان تصاویر کو کیسے پروسیس کیا جائے اور ایسے ماڈل کو تربیت دی جائے جو مائٹوٹک اعداد و شمار کا پتہ لگاتا ہو۔ یہ ڈیٹا سیٹ پروفیسر ڈاکٹر مارک اوبرویل کی اجازت سے استعمال کیا گیا ہے، جنہوں نے ہمیں اس پوسٹ کے لیے اسے استعمال کرنے کی اجازت دینے پر رضامندی ظاہر کی ہے۔ مزید معلومات کے لیے، اس پوسٹ کے آخر میں اعترافات کا سیکشن دیکھیں۔
حل کا جائزہ
حل دو اجزاء پر مشتمل ہے:
- ایک Amazon Recognition Custom Labels ماڈل - mitotic اعداد و شمار کا پتہ لگانے کے لیے Amazon Recognition کو فعال کرنے کے لیے، ہم درج ذیل مراحل کو مکمل کرتے ہیں:
- استعمال کرتے ہوئے مناسب سائز کی تصاویر بنانے کے لیے WSI ڈیٹاسیٹ کا نمونہ لیں۔ ایمیزون سیج میکر اسٹوڈیو اور ایک Python کوڈ Jupyter نوٹ بک پر چل رہا ہے۔ اسٹوڈیو ML کے لیے ایک ویب پر مبنی، مربوط ترقیاتی ماحول (IDE) ہے جو آپ کی پیداواری صلاحیت کو بڑھاتے ہوئے اپنے ماڈلز کو تجربات سے پروڈکشن تک لے جانے کے لیے درکار تمام ٹولز فراہم کرتا ہے۔ ہم اپنے ماڈل کو تربیت دینے کے لیے تصاویر کو چھوٹے حصوں میں تقسیم کرنے کے لیے اسٹوڈیو کا استعمال کریں گے۔
- پچھلے مرحلے میں تیار کردہ ڈیٹا کا استعمال کرتے ہوئے hematoxylin-eosin نمونوں میں mitotic اعداد و شمار کو پہچاننے کے لیے Amazon Recognition Custom Labels ماڈل کو تربیت دیں۔
- ایک فرنٹ اینڈ ایپلی کیشن - یہ ظاہر کرنے کے لیے کہ کسی ماڈل کو کیسے استعمال کیا جائے جیسا کہ ہم نے پچھلے مرحلے میں تربیت دی تھی، ہم درج ذیل مراحل کو مکمل کرتے ہیں:
مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔
اس پوسٹ میں زیر بحث عمل درآمد کے لیے تمام ضروری وسائل اور پورے سیکشن کا کوڈ دستیاب ہے۔ GitHub کے. آپ ریپوزٹری کو کلون یا فورک کر سکتے ہیں، اپنی مرضی کے مطابق کوئی تبدیلی کر سکتے ہیں اور اسے خود چلا سکتے ہیں۔
اگلے مراحل میں، ہم ڈیٹا کو حاصل کرنے اور تیار کرنے، ماڈل کو تربیت دینے، اور نمونے کی ایپلی کیشن سے اسے استعمال کرنے میں شامل مختلف مراحل کو سمجھنے کے لیے کوڈ کے ذریعے چلتے ہیں۔
اخراجات
اس واک تھرو میں قدموں کو چلاتے وقت، آپ کو درج ذیل AWS سروسز استعمال کرنے پر چھوٹے اخراجات اٹھانا پڑتے ہیں۔
- ایمیزون پہچان۔
- اے ڈبلیو ایس فارگیٹ
- ایپلیکیشن لوڈ بیلنسر
- AWS سیکرٹس مینیجر
مزید برآں، اگر اب مفت درجے کی مدت یا شرائط کے اندر نہیں ہے، تو آپ درج ذیل خدمات کے اخراجات اٹھا سکتے ہیں:
- کوڈپائپ لائن
- کوڈ بلڈ
- ایمیزون ای سی آر
- ایمیزون سیج میکر
اگر آپ اس واک تھرو کو مکمل کرنے کے بعد صفائی کے مراحل کو درست طریقے سے مکمل کرتے ہیں، تو آپ توقع کر سکتے ہیں کہ لاگت 10 USD سے کم ہو، اگر Amazon Recognition Custom Labels ماڈل اور ویب ایپلیکیشن ایک گھنٹہ یا اس سے کم چلتی ہے۔
شرائط
تمام مراحل کو مکمل کرنے کے لیے، آپ کو درج ذیل کی ضرورت ہے:
مائٹوٹک فگر کی درجہ بندی کے ماڈل کی تربیت
ہم اسٹوڈیو نوٹ بک سے ماڈل کو تربیت دینے کے لیے درکار تمام مراحل چلاتے ہیں۔ اگر آپ نے پہلے کبھی اسٹوڈیو استعمال نہیں کیا ہے، تو آپ کو ضرورت پڑسکتی ہے۔ جہاز پہلا. مزید معلومات کے لیے دیکھیں ایمیزون سیج میکر اسٹوڈیو پر جلدی سے آن بورڈ.
درج ذیل مراحل میں سے کچھ کے لیے معیاری ml.t3.medium نوٹ بک میں دستیاب ریم سے زیادہ RAM کی ضرورت ہوتی ہے۔ یقینی بنائیں کہ آپ نے ml.m5.large نوٹ بک کا انتخاب کیا ہے۔ آپ کو صفحہ کے اوپری دائیں کونے میں 2 vCPU + 8 GiB اشارہ دیکھنا چاہئے۔
اس سیکشن کا کوڈ بطور دستیاب ہے۔ Jupyter نوٹ بک فائل.
اسٹوڈیو میں آن بورڈ ہونے کے بعد، فالو کریں۔ ان ہدایات اسٹوڈیو کو آپ کی جانب سے ایمیزون ریکوگنیشن کو کال کرنے کے لیے ضروری اجازت دینے کے لیے۔
انحصار
شروع کرنے کے لیے، ہمیں درج ذیل مراحل کو مکمل کرنے کی ضرورت ہے:
- لینکس پیکجز کو اپ ڈیٹ کریں اور مطلوبہ انحصار انسٹال کریں، جیسے اوپن سلائیڈ:
- پائپ کا استعمال کرتے ہوئے فاسٹائی اور سلائیڈ رنر لائبریریاں انسٹال کریں:
- ڈیٹاسیٹ ڈاؤن لوڈ کریں (یہ خود بخود کرنے کے لیے ہم ایک اسکرپٹ فراہم کرتے ہیں):
ڈیٹاسیٹ پر کارروائی کریں۔
ہم کچھ پیکجوں کو درآمد کرکے شروع کریں گے جنہیں ہم ڈیٹا کی تیاری کے مرحلے میں استعمال کرتے ہیں۔ پھر، ہم اس ڈیٹاسیٹ کے لیے تشریحی ڈیٹا بیس کو ڈاؤن لوڈ اور لوڈ کرتے ہیں۔ یہ ڈیٹا بیس مائٹوٹک اعداد و شمار کی پوری سلائیڈ امیجز میں پوزیشن پر مشتمل ہے (جن خصوصیات کو ہم درجہ بندی کرنا چاہتے ہیں)۔ درج ذیل کوڈ دیکھیں:
چونکہ ہم SageMaker استعمال کر رہے ہیں، ہم ایک نیا SageMaker بناتے ہیں۔ اجلاس ہمارے ڈیٹاسیٹ کو اپ لوڈ کرنے جیسے کاموں کو آسان بنانے پر اعتراض ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔ ہم S3 بالٹی بھی استعمال کرتے ہیں جسے SageMaker ہماری پروسیس شدہ تصویری فائلوں کو اپ لوڈ کرنے کے لیے بطور ڈیفالٹ تخلیق کرتا ہے۔
۔ slidelist_test
صف میں ان سلائیڈز کی IDs ہوتی ہیں جنہیں ہم تربیت یافتہ ماڈل کی کارکردگی کا جائزہ لینے کے لیے ٹیسٹ ڈیٹاسیٹ کے حصے کے طور پر استعمال کرتے ہیں۔ درج ذیل کوڈ دیکھیں:
اگلا مرحلہ تربیت کے شعبوں اور ٹیسٹ سلائیڈوں کا ایک سیٹ حاصل کرنا ہے، ان میں لیبل کے ساتھ، جہاں سے ہم اپنے ماڈل کو تربیت دینے کے لیے استعمال کرنے کے لیے چھوٹے علاقے لے سکتے ہیں۔ get_slides کا کوڈ sampling.py فائل میں ہے۔ GitHub کے.
ہم ٹریننگ اور ٹیسٹ سلائیڈز سے تصادفی طور پر نمونہ لینا چاہتے ہیں۔ ہم تربیت اور ٹیسٹ سلائیڈوں کی فہرستیں استعمال کرتے ہیں اور تصادفی طور پر منتخب کرتے ہیں۔ n_training_images
ٹریننگ کے لیے ایک فائل، اور n_test_images
ٹیسٹ کے لیے ایک فائل کا وقت:
اگلا، ہم تربیتی تصاویر کے لیے ایک ڈائرکٹری بناتے ہیں اور ایک ٹیسٹ امیجز کے لیے:
اس سے پہلے کہ ہم ماڈل کو تربیت دینے کے لیے درکار چھوٹی تصاویر تیار کریں، ہمیں کچھ مددگار کوڈ کی ضرورت ہے جو تربیت اور ٹیسٹ ڈیٹا کو بیان کرنے کے لیے درکار میٹا ڈیٹا تیار کرے۔ مندرجہ ذیل کوڈ اس بات کو یقینی بناتا ہے کہ دلچسپی کی خصوصیات (mitotic اعداد و شمار) کے ارد گرد ایک دیا ہوا باؤنڈنگ باکس اس زون کے اندر ہے جسے ہم کاٹ رہے ہیں، اور JSON کی ایک لائن تیار کرتا ہے جو تصویر اور اس میں موجود خصوصیات کو بیان کرتا ہے۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ فارمیٹ، جو ایمیزون ریکگنیشن کسٹم لیبل کے لیے مطلوبہ فارمیٹ ہے۔ آبجیکٹ کا پتہ لگانے کے لیے اس مینی فیسٹ فائل کے بارے میں مزید معلومات کے لیے، دیکھیں مینی فیسٹ فائلوں میں آبجیکٹ لوکلائزیشن.
کے ساتہ generate_annotations
جگہ پر فنکشن، ہم تربیت اور جانچ کی تصاویر تیار کرنے کے لیے کوڈ لکھ سکتے ہیں:
تمام مطلوبہ ڈیٹا حاصل کرنے کی طرف آخری قدم a لکھنا ہے۔ manifest.json
ہر ایک ڈیٹا سیٹ کے لیے فائل:
فائلوں کو S3 میں منتقل کریں۔
ہم استعمال کرتے ہیں upload_data
وہ طریقہ جسے سیج میکر سیشن آبجیکٹ تصاویر اور مینی فیسٹ فائلوں کو ڈیفالٹ سیج میکر S3 بالٹی میں اپ لوڈ کرنے کے لیے ظاہر کرتا ہے:
Amazon Recognition Custom Labels ماڈل کو تربیت دیں۔
ایمیزون S3 میں پہلے سے موجود ڈیٹا کے ساتھ، ہم اپنی مرضی کے مطابق ماڈل کی تربیت حاصل کر سکتے ہیں۔ ہم ایک Amazon Recognition کلائنٹ بنانے اور ایک پروجیکٹ بنانے کے لیے Boto3 لائبریری کا استعمال کرتے ہیں:
پروجیکٹ کے استعمال کے لیے تیار ہونے کے ساتھ، اب آپ کو ایک پروجیکٹ ورژن کی ضرورت ہے جو Amazon S3 میں ٹریننگ اور ٹیسٹ ڈیٹا سیٹس کی طرف اشارہ کرے۔ ہر ورژن مثالی طور پر مختلف ڈیٹاسیٹس (یا اس کے مختلف ورژن) کی طرف اشارہ کرتا ہے۔ یہ ہمیں ماڈل کے مختلف ورژن رکھنے، ان کی کارکردگی کا موازنہ کرنے اور ضرورت کے مطابق ان کے درمیان سوئچ کرنے کے قابل بناتا ہے۔ درج ذیل کوڈ دیکھیں:
پروجیکٹ ورژن بنانے کے بعد، Amazon Recognition خود بخود تربیت کا عمل شروع کر دیتا ہے۔ تربیت کا وقت کئی خصوصیات پر منحصر ہے، جیسے کہ تصاویر کا سائز اور ان کی تعداد، کلاسوں کی تعداد، وغیرہ۔ اس صورت میں، 500 تصاویر کے لیے، تربیت کو ختم ہونے میں تقریباً 90 منٹ لگتے ہیں۔
ماڈل کی جانچ کریں۔
تربیت کے بعد، Amazon Recognition Custom Labels میں ہر ماڈل میں ہے۔ STOPPED
حالت. اسے اندازہ لگانے کے لیے استعمال کرنے کے لیے، آپ کو اسے شروع کرنے کی ضرورت ہے۔ ہمیں پروجیکٹ ورژن کی تفصیل سے پراجیکٹ ورژن ARN ملتا ہے اور اسے پاس کر دیتے ہیں۔ start_project_version
. نوٹس MinInferenceUnits
پیرامیٹر - ہم ایک انفرنس یونٹ سے شروع کرتے ہیں۔ فی سیکنڈ ٹرانزیکشنز کی اصل زیادہ سے زیادہ تعداد (TPS) جس کا یہ انفرنس یونٹ سپورٹ کرتا ہے آپ کے ماڈل کی پیچیدگی پر منحصر ہے۔ TPS کے بارے میں مزید جاننے کے لیے، اس سے رجوع کریں۔ بلاگ پوسٹ.
جب آپ کے پروجیکٹ کا ورژن درج کیا جاتا ہے۔ RUNNING
، آپ اندازہ کے لیے امیزون ریکوگنیشن کو تصاویر بھیجنا شروع کر سکتے ہیں۔
ہم نئے شروع ہونے والے ماڈل کو جانچنے کے لیے ٹیسٹ ڈیٹاسیٹ میں موجود فائلوں میں سے ایک کا استعمال کرتے ہیں۔ اس کے بجائے آپ کوئی مناسب PNG یا JPEG فائل استعمال کر سکتے ہیں۔
اسٹریم لائٹ ایپلی کیشن
Amazon Recognition کے ساتھ انضمام کو ظاہر کرنے کے لیے، ہم ایک بہت ہی آسان Python ایپلی کیشن استعمال کرتے ہیں۔ ہم استعمال کرتے ہیں اسٹریم لائٹ اسپارٹن یوزر انٹرفیس بنانے کے لیے لائبریری، جہاں ہم صارف کو امیج فائل اپ لوڈ کرنے کا اشارہ کرتے ہیں۔
ہم بوٹو 3 لائبریری کا استعمال کرتے ہیں۔ detect_custom_labels
طریقہ، پراجیکٹ ورژن ARN کے ساتھ، قیاس کے اختتامی نقطہ کو شروع کرنے کے لیے۔ جواب ایک JSON دستاویز ہے جس میں تصویر میں پائے جانے والے مختلف اشیاء کی پوزیشنز اور کلاسز شامل ہیں۔ ہمارے معاملے میں، یہ وہ مائٹوٹک اعداد و شمار ہیں جو الگورتھم کو اس تصویر میں ملے ہیں جو ہم نے اختتامی نقطہ پر بھیجی ہے۔ درج ذیل کوڈ دیکھیں:
ایپلیکیشن کو AWS پر لگائیں۔
ایپلیکیشن کو تعینات کرنے کے لیے، ہم AWS CDK اسکرپٹ استعمال کرتے ہیں۔ پورے منصوبے پر پایا جا سکتا ہے GitHub کے . آئیے اسکرپٹ کے ذریعہ تعینات مختلف وسائل کو دیکھتے ہیں۔
ایمیزون ای سی آر ریپوزٹری بنائیں
اپنی تعیناتی کو ترتیب دینے کی طرف پہلے قدم کے طور پر، ہم ایک Amazon ECR ریپوزٹری بناتے ہیں، جہاں ہم اپنی ایپلیکیشن کنٹینر کی تصاویر محفوظ کر سکتے ہیں:
AWS Secrets Manager میں اپنا GitHub ٹوکن بنائیں اور اسٹور کریں۔
CodePipeline کو تبدیلیوں اور پل کوڈ کے لیے آپ کے GitHub ذخیرے کی نگرانی کے لیے GitHub پرسنل ایکسیس ٹوکن کی ضرورت ہے۔ ٹوکن بنانے کے لیے، میں دی گئی ہدایات پر عمل کریں۔ GitHub دستاویزات. ٹوکن کے لیے درج ذیل GitHub اسکوپس کی ضرورت ہے:
- ۔
repo
دائرہ کار، جو پبلک اور پرائیویٹ ریپوزٹریوں سے نمونے کو پائپ لائن میں پڑھنے اور کھینچنے کے لیے مکمل کنٹرول کے لیے استعمال کیا جاتا ہے۔ - ۔
admin:repo_hook
اسکوپ، جو ریپوزٹری ہکس کے مکمل کنٹرول کے لیے استعمال ہوتا ہے۔
ٹوکن بنانے کے بعد، اسے ایک نئے راز میں محفوظ کریں۔ AWS سیکرٹس مینیجر مندرجہ ذیل ہے:
AWS سسٹمز مینیجر پیرامیٹر اسٹور پر کنفیگریشن پیرامیٹرز لکھیں۔
AWS CDK اسکرپٹ کچھ کنفیگریشن پیرامیٹرز سے پڑھتا ہے۔ AWS سسٹمز مینیجر پیرامیٹر اسٹورجیسا کہ GitHub ریپوزٹری کا نام اور مالک، اور ہدف اکاؤنٹ اور علاقہ۔ AWS CDK اسکرپٹ شروع کرنے سے پہلے، آپ کو اپنے اکاؤنٹ میں یہ پیرامیٹرز بنانے کی ضرورت ہے۔
آپ AWS CLI استعمال کر کے ایسا کر سکتے ہیں۔ بس دعوت دیں۔ put-parameter
ایک نام، ایک قدر، اور پیرامیٹر کی قسم کے ساتھ کمانڈ:
ذیل میں AWS CDK اسکرپٹ کے لیے درکار تمام پیرامیٹرز کی فہرست ہے۔ یہ سب قسم کے ہیں۔ String
:
- /rek_wsi/prod/accountId — اکاؤنٹ کی ID جہاں ہم ایپلیکیشن تعینات کرتے ہیں۔
- /rek_wsi/prod/ecr_repo_name — Amazon ECR ریپوزٹری کا نام جہاں کنٹینر کی تصاویر محفوظ کی جاتی ہیں۔
- /rek_wsi/prod/github/branch — GitHub ریپوزٹری میں وہ شاخ جہاں سے CodePipeline کو کوڈ کھینچنے کی ضرورت ہے۔
- /rek_wsi/prod/github/owner — GitHub ذخیرہ کا مالک۔
- /rek_wsi/prod/github/repo — GitHub ریپوزٹری کا نام جہاں ہمارا کوڈ محفوظ ہے۔
- /rek_wsi/prod/github/token — سیکرٹ مینیجر میں راز کا نام یا ARN جس میں آپ کا GitHub تصدیقی ٹوکن ہوتا ہے۔ CodePipeline GitHub کے ساتھ بات چیت کرنے کے قابل ہونے کے لیے یہ ضروری ہے۔
- /rek_wsi/prod/region — وہ علاقہ جہاں ہم ایپلیکیشن تعینات کریں گے۔
نوٹس prod
تمام پیرامیٹر کے ناموں میں سیگمنٹ۔ اگرچہ ہمیں اتنی سادہ مثال کے لیے اس سطح کی تفصیل کی ضرورت نہیں ہے، لیکن یہ اس نقطہ نظر کو دوسرے منصوبوں کے ساتھ دوبارہ استعمال کرنے کے قابل بنائے گا جہاں مختلف ماحول کی ضرورت ہو سکتی ہے۔
AWS CDK اسکرپٹ کے ذریعہ تخلیق کردہ وسائل
ہمیں اپنی درخواست کی ضرورت ہے، فارگیٹ ٹاسک میں چل رہی ہے، تاکہ Amazon Recognition کی درخواست کرنے کی اجازت ہو۔ تو ہم سب سے پہلے ایک بناتے ہیں۔ AWS شناخت اور رسائی کا انتظام (IAM) کے ساتھ ٹاسک رول RekognitionReadOnlyPolicy
اس سے منسلک پالیسی. نوٹ کریں کہ assumed_by
مندرجہ ذیل کوڈ میں پیرامیٹر لیتا ہے۔ ecs-tasks.amazonaws.com
سروس پرنسپل. اس کی وجہ یہ ہے کہ ہم Amazon ECS کو آرکیسٹریٹر کے طور پر استعمال کر رہے ہیں، اس لیے ہمیں Amazon ECS کی ضرورت ہے کہ وہ کردار سنبھالے اور اسناد کو Fargate ٹاسک میں منتقل کرے۔
ایک بار بن جانے کے بعد، ہماری ایپلیکیشن کنٹینر کی تصویر نجی Amazon ECR ذخیرہ میں بیٹھ جاتی ہے۔ ہمیں ایک ایسی چیز کی ضرورت ہے جو اس کی وضاحت کرے جسے ہم فارگیٹ سروس بناتے وقت پاس کر سکتے ہیں:
ہم اس ایپلیکیشن کے لیے ایک نیا VPC اور کلسٹر بناتے ہیں۔ آپ اپنا VPC استعمال کرنے کے لیے اس حصے میں ترمیم کر سکتے ہیں۔ from_lookup
کا طریقہ Vpc
کلاس:
اب جب کہ ہمارے پاس تعینات کرنے کے لیے ایک VPC اور کلسٹر ہے، ہم Fargate سروس بناتے ہیں۔ ہم اس کام کے لیے 0.25 vCPU اور 512 MB RAM استعمال کرتے ہیں، اور ہم اس کے سامنے ایک پبلک ایپلیکیشن لوڈ بیلنسر (ALB) رکھتے ہیں۔ ایک بار تعیناتی کے بعد، ہم درخواست تک رسائی کے لیے ALB CNAME استعمال کرتے ہیں۔ درج ذیل کوڈ دیکھیں:
جب بھی ہم اپنی مرکزی برانچ میں کوڈ ڈالتے ہیں تو خود بخود ایک نئی کنٹینر امیج بنانے اور تعینات کرنے کے لیے، ہم ایک سادہ پائپ لائن بناتے ہیں جس میں GitHub سورس ایکشن اور ایک تعمیراتی مرحلہ ہوتا ہے۔ یہ وہ جگہ ہے جہاں ہم گزشتہ مراحل میں AWS سیکرٹس مینیجر اور AWS سسٹمز مینیجر پیرامیٹر اسٹور میں محفوظ کردہ راز استعمال کرتے ہیں۔
CodeBuild کو کنٹینر کی تصاویر کو Amazon ECR پر آگے بڑھانے کے لیے اجازت کی ضرورت ہے۔ ان اجازتوں کو دینے کے لیے، ہم شامل کرتے ہیں۔ AmazonEC2ContainerRegistryFullAccess
ایک مخصوص IAM کردار کے لیے پالیسی جسے CodeBuild سروس پرنسپل فرض کر سکتا ہے:
CodeBuild پروجیکٹ نجی Amazon ECR ریپوزٹری میں لاگ ان ہوتا ہے، Streamlit ایپلی کیشن کے ساتھ Docker امیج بناتا ہے، اور امیج کو ریپوزٹری میں ایک ساتھ دھکیلتا ہے۔ appspec.yaml
اور ایک imagedefinitions.json
فائل.
۔ appspec.yaml
فائل کام کی وضاحت کرتی ہے (پورٹ، فارگیٹ پلیٹ فارم ورژن، اور اسی طرح)، جبکہ imagedefinitions.json
فائل کنٹینر کی تصاویر کے ناموں کو ان کے متعلقہ Amazon ECR URI پر نقش کرتی ہے۔ درج ذیل کوڈ دیکھیں:
آخر میں، ہم نے پائپ لائن کے مختلف مراحل کو ایک ساتھ رکھا۔ آخری کارروائی ہے۔ EcsDeployAction
، جو پچھلے مرحلے میں بنی ہوئی کنٹینر کی تصویر لیتا ہے اور ہمارے ECS کلسٹر میں کاموں کی رولنگ اپ ڈیٹ کرتا ہے:
صفائی
مستقبل کے اخراجات سے بچنے کے لیے، اس حل کے حصے کے طور پر اپنے بنائے گئے وسائل کو صاف کریں۔
ایمیزون ریکگنیشن کسٹم لیبلز ماڈل
اپنی اسٹوڈیو نوٹ بک کو بند کرنے سے پہلے، یقینی بنائیں کہ آپ Amazon Recognition Custom Labels ماڈل کو روکتے ہیں۔ اگر آپ ایسا نہیں کرتے ہیں، تو اس کے اخراجات جاری رہیں گے۔
متبادل طور پر، آپ سروس کو روکنے کے لیے Amazon Recognition کنسول استعمال کر سکتے ہیں:
- ایمیزون ریکگنیشن کنسول پر، منتخب کریں۔ حسب ضرورت لیبل استعمال کریں۔ نیوی گیشن پین میں.
- میں سے انتخاب کریں منصوبوں کی تفصیل نیوی گیشن پین میں.
- کا ورژن 1 منتخب کریں۔
rek-mitotic-figures-workshop
منصوبے. - پر ماڈل استعمال کریں۔ ٹیب، منتخب کریں بند کرو.
اسٹریم لائٹ ایپلی کیشن
Streamlit ایپلیکیشن سے وابستہ تمام وسائل کو تباہ کرنے کے لیے، AWS CDK ایپلیکیشن ڈائرکٹری سے درج ذیل کوڈ کو چلائیں:
AWS سیکرٹس مینیجر
GitHub ٹوکن کو حذف کرنے کے لیے، میں دی گئی ہدایات پر عمل کریں۔ دستاویزات.
نتیجہ
اس پوسٹ میں، ہم نے حقیقی دنیا کے ڈیٹا کا استعمال کرتے ہوئے ڈیجیٹل پیتھولوجی ایپلی کیشن کے لیے Amazon Recognition Custom Labels ماڈل کو تربیت دینے کے لیے ضروری اقدامات کیے ہیں۔ پھر ہم نے سیکھا کہ CI/CD پائپ لائن سے فارگیٹ تک تعینات ایک سادہ ایپلیکیشن سے ماڈل کو کیسے استعمال کیا جائے۔
Amazon Recognition Custom Labels آپ کو ML-enabled ہیلتھ کیئر ایپلی کیشنز بنانے کے قابل بناتا ہے جنہیں آپ Fargate، CodeBuild، اور CodePipeline جیسی خدمات کا استعمال کرتے ہوئے آسانی سے بنا اور تعینات کر سکتے ہیں۔
کیا آپ محققین، ڈاکٹروں، یا ان کے مریضوں کی زندگی کو آسان بنانے میں مدد کرنے کے لیے کسی ایپلی کیشن کے بارے میں سوچ سکتے ہیں؟ اگر ایسا ہے تو، اپنی اگلی ایپلیکیشن بنانے کے لیے اس واک تھرو میں کوڈ کا استعمال کریں۔ اور اگر آپ کے کوئی سوالات ہیں، تو براہ کرم انہیں تبصرے کے سیکشن میں شیئر کریں۔
منظوریاں
ہم اس بلاگ پوسٹ کے لیے MITOS_WSI_CMC ڈیٹا سیٹ کو استعمال کرنے کی اجازت دینے کے لیے پروفیسر ڈاکٹر مارک اوبرویل کا شکریہ ادا کرنا چاہیں گے۔ ڈیٹا سیٹ پر پایا جا سکتا ہے۔ GitHub کے.
حوالہ جات
[1] Aubreville, M., Bertram, CA, Donovan, TA et al. انسانی چھاتی کے کینسر کی تحقیق میں مدد کے لیے کینائن بریسٹ کینسر کی مکمل طور پر تشریح شدہ پوری سلائیڈ امیج ڈیٹاسیٹ۔ سائنس ڈیٹا 7, 417 (2020)۔ https://doi.org/10.1038/s41597-020-00756-z
[2] کھنڈ، ایم، کوری، اے، راجکمار، ایچ۔ ET اللہ تعالی. مکمل سلائیڈ امیج سیگمنٹیشن اور تجزیہ کے لیے ایک عمومی گہرا سیکھنے کا فریم ورک۔ سکریپ 11، 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS مارچ 27، 2018 115 (13) E2970-E2979; پہلی بار 12 مارچ 2018 کو شائع ہوا؛ https://doi.org/10.1073/pnas.1717139115
مصنف کے بارے میں
پابلو نونیز پولچر، ایم ایس سی، ایمیزون ویب سروسز کے ساتھ پبلک سیکٹر ٹیم کے لیے کام کرنے والا ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ پابلو ہیلتھ کیئر پبلک سیکٹر کے صارفین کو بہترین طریقوں کے مطابق AWS پر نئی، اختراعی مصنوعات بنانے میں مدد کرنے پر توجہ مرکوز کرتا ہے۔ اس نے M.Sc حاصل کیا۔ یونیورسیڈیڈ ڈی بیونس آئرس سے حیاتیاتی علوم میں۔ اپنے فارغ وقت میں، وہ سائیکلنگ اور ML-انبلڈ ایمبیڈڈ ڈیوائسز کے ساتھ ٹنکرنگ سے لطف اندوز ہوتا ہے۔
Razvan Ionasecپی ایچ ڈی، ایم بی اے، یورپ، مشرق وسطیٰ اور افریقہ میں ایمیزون ویب سروسز میں صحت کی دیکھ بھال کے لیے تکنیکی رہنما ہیں۔ اس کا کام صحت کی دیکھ بھال کے صارفین کو ٹیکنالوجی کا فائدہ اٹھا کر کاروباری مسائل حل کرنے میں مدد کرنے پر مرکوز ہے۔ اس سے پہلے، رضوان AI-Rad Companion کے انچارج Siemens Healthineers میں مصنوعی ذہانت (AI) پروڈکٹس کے عالمی سربراہ تھے، جو AI سے چلنے والے اور امیجنگ کے لیے کلاؤڈ بیسڈ ڈیجیٹل ہیلتھ سلوشنز کا خاندان ہے۔ اس کے پاس میڈیکل امیجنگ کے لیے AI/ML میں 30+ پیٹنٹ ہیں اور اس نے کمپیوٹر ویژن، کمپیوٹیشنل ماڈلنگ، اور میڈیکل امیج کے تجزیہ پر 70+ بین الاقوامی ہم مرتبہ نظرثانی شدہ تکنیکی اور طبی اشاعتیں شائع کی ہیں۔ رضوان نے ٹیکنیکل یونیورسٹی میونخ سے کمپیوٹر سائنس میں پی ایچ ڈی اور کیمبرج یونیورسٹی، جج بزنس اسکول سے ایم بی اے کیا۔
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- ہمارے بارے میں
- رفتار کو تیز تر
- تک رسائی حاصل
- اکاؤنٹ
- عمل
- افریقہ
- AI
- یلگورتم
- تمام
- پہلے ہی
- اگرچہ
- ایمیزون
- ایمیزون پہچان۔
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- تجزیہ
- درخواست
- ایپلی کیشنز
- اے پی ٹی
- فن تعمیر
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- اثاثے
- کی توثیق
- دستیابی
- دستیاب
- AWS
- سوئنگ
- BEST
- بہترین طریقوں
- بلاگ
- اضافے کا باعث
- باکس
- چھاتی کا کینسر
- تعمیر
- کاروبار
- فون
- کیمبرج
- حاصل کر سکتے ہیں
- کینسر
- کینسر کی تحقیق
- چارج
- درجہ بندی
- کوڈ
- مجموعہ
- تبصروں
- کمپیوٹر سائنس
- کمپیوٹر ویژن
- آپکا اعتماد
- ترتیب
- کنسول
- کنٹینر
- کنٹینر
- پر مشتمل ہے
- جاری ہے
- اخراجات
- تخلیق
- اسناد
- گاہکوں
- اعداد و شمار
- ڈیٹا بیس
- ڈیٹا بیس
- گہری سیکھنے
- تباہ
- تفصیل
- کھوج
- ڈویلپرز
- ترقی
- کے الات
- مختلف
- ڈیجیٹل
- ڈیجیٹل ہیلتھ
- ڈیجیٹائزیشن
- میں Docker
- ڈاکٹروں
- نیچے
- آسانی سے
- یاد آتی ہے
- اختتام پوائنٹ
- ماحولیات
- یورپ
- مثال کے طور پر
- تجربہ
- برآمد
- خاندان
- نمایاں کریں
- خصوصیات
- اعداد و شمار
- پہلا
- پر عمل کریں
- کانٹا
- فارمیٹ
- ملا
- فریم ورک
- مفت
- مکمل
- تقریب
- مستقبل
- پیدا
- ستادوستی
- GitHub کے
- دے
- گلوبل
- گولڈ
- عطا
- گرانٹ
- ہونے
- سر
- صحت
- صحت کی دیکھ بھال
- مدد
- یہاں
- کس طرح
- کیسے
- HTTPS
- IAM
- شناختی
- تصویر
- تصویری تجزیہ
- تصویر کی تقسیم
- امیجنگ
- درآمد
- معلومات
- جدید
- اٹوٹ
- انضمام
- انٹیلی جنس
- دلچسپی
- بین الاقوامی سطح پر
- ملوث
- IT
- Jupyter نوٹ بک
- لیبل
- بڑے
- تازہ ترین
- شروع
- جانیں
- سیکھا ہے
- سیکھنے
- سطح
- لائبریری
- لائن
- لینکس
- لسٹ
- فہرستیں
- لوڈ
- لوکلائزیشن
- مشین لرننگ
- نقشہ جات
- مارچ
- طبی
- طبی عکس زنی
- درمیانہ
- مشرق وسطی
- ML
- ماڈل
- ماڈلنگ
- ماڈل
- زیادہ
- میونخ
- نام
- سمت شناسی
- ضرورت
- آبجیکٹ کا پتہ لگانا
- جہاز
- دیگر
- مالک
- پیٹنٹ
- پیتھالوجی
- مریضوں
- کارکردگی
- ذاتی
- پلیٹ فارم
- پالیسی
- پرنسپل
- نجی
- عمل
- پیداوار
- پیداوری
- حاصل
- پیشہ ور ماہرین
- منصوبے
- منصوبوں
- فراہم
- فراہم کرتا ہے
- عوامی
- پبلک سیکٹر
- مطبوعات
- ازگر
- RAM
- تحقیق
- وسائل
- جواب
- رن
- چل رہا ہے
- sagemaker
- سکیننگ
- سکول
- سائنس
- سائنس
- شعبے
- منتخب
- سروسز
- مقرر
- قائم کرنے
- سیکنڈ اور
- siemens ڈاؤن لوڈ،
- اہم
- سادہ
- سائز
- چھوٹے
- So
- حل
- حل
- خلا
- خصوصی
- تقسیم
- اسٹیج
- شروع کریں
- شروع
- حالت
- درجہ
- ذخیرہ
- ذخیرہ
- سٹوڈیو
- کی حمایت کرتا ہے
- سوئچ کریں
- سسٹمز
- ہدف
- ٹیکنیکل
- تکنیک
- ٹیکنالوجی
- ٹیسٹ
- ماخذ
- کے ذریعے
- وقت
- وقت لگتا
- مل کر
- ٹوکن
- اوزار
- سب سے اوپر
- ٹریننگ
- معاملات
- منفرد
- یونیورسٹی
- کیمبرج یونیورسٹی
- اپ ڈیٹ کریں
- URI
- us
- امریکی ڈالر
- قیمت
- ورژن
- نقطہ نظر
- W
- ویب
- ویب خدمات
- ویب پر مبنی ہے
- کیا
- کیا ہے
- ڈبلیو
- بڑے پیمانے پر
- کے اندر
- بغیر
- کام
- کام کر
- گا
- تحریری طور پر
- X
- سال
- یو ٹیوب پر