Lääketieteellisten kuvien syväoppimisen viitekehys
Hautojärvi, Jenni; Hepoaho, Merja (2019)
Avaa tiedosto
Lataukset:
2019
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2019053113804
https://urn.fi/URN:NBN:fi:amk-2019053113804
Tiivistelmä
Insinöörityön tavoitteena oli tehdä toteutettavuustutkimus siitä, miten DICOM-muotoista lääketieteellistä kuvadataa voidaan siirtää anonymisoidusti PACS-ympäristöstä tekoälyn koneoppimiseen ilman, että prosessissa menetetään kuvaan liitettyä arvokasta metadataa. Lisäksi haluttiin selvittää, miten Watson OpenScalen avulla voidaan lisätä tekoälyn antamiin tuloksiin läpinäkyvyyttä ja selitettävyyttä. Työ tehtiin yhteistyössä IBM Suomen kanssa, ja se toteutettiin IBM:n datatiedealustoilla käyttäen avoimen lähdekoodin ratkaisuja sekä yrityksen omia sovelluksia.
Konseptista luotiin alustava arkkitehtuuri, jota käytettiin pohjana kahdessa eksploratiivisessa asiantuntijahaastattelussa. Haastatteluista saatiin arvokasta tietoa DICOM-tiedostojen käsittelyyn liittyvistä haasteista ja kyettiin varmistamaan tiedonsiirron toteutusmenetelmän oikeellisuus.
PowerAI-alustalle luotiin neuroverkkomallien syväoppimisympäristö ja sen toiminta testattiin Deep Learning Toolkitin omien testausmateriaalien avulla. Työtä varten ladattiin 128 Gt:n kokoinen testidata lääketieteellisiä DICOM-tiedostoja, jotka siirrettiin Cloud Object Storageen. Data sisälsi 1018 tietokonetomografialla tehtyä kuvantamistutkimusta 1012 potilaasta. Näiden joukosta valittiin 131 syöpädiagnoosia sisältävää kuvaa, jotka siirrettiin PowerAI-ympäristöön.
Watson OpenScale testattiin kuvadatalla, joka sisälsi käsinpiirrettyjä numeroita. Kuvia ei kyetty analysoimaan alkuperäisen suunnitelman mukaisesti palvelun kuvien analysointityökalun avulla, koska sen toteutus oli vielä keskeneräinen. Ongelma kierrettiin sillä, että kuvat muutettiin yksitasoisiksi vektoreiksi, jotka voitiin käsitellä ja analysoida OpenScalessa numeerisena/kategorisena datana.
Tutkimuksessa todettiin, että konsepti on toteuttamiskelpoinen. Kaikkia osia ei ehditty yhdistämään toisiinsa insinöörityön aikataulujen puitteissa, mutta osien erillinen toiminta on kyetty varmistamaan ja työ siirtyy seuraavaksi toteutusvaiheeseen.
Konseptista luotiin alustava arkkitehtuuri, jota käytettiin pohjana kahdessa eksploratiivisessa asiantuntijahaastattelussa. Haastatteluista saatiin arvokasta tietoa DICOM-tiedostojen käsittelyyn liittyvistä haasteista ja kyettiin varmistamaan tiedonsiirron toteutusmenetelmän oikeellisuus.
PowerAI-alustalle luotiin neuroverkkomallien syväoppimisympäristö ja sen toiminta testattiin Deep Learning Toolkitin omien testausmateriaalien avulla. Työtä varten ladattiin 128 Gt:n kokoinen testidata lääketieteellisiä DICOM-tiedostoja, jotka siirrettiin Cloud Object Storageen. Data sisälsi 1018 tietokonetomografialla tehtyä kuvantamistutkimusta 1012 potilaasta. Näiden joukosta valittiin 131 syöpädiagnoosia sisältävää kuvaa, jotka siirrettiin PowerAI-ympäristöön.
Watson OpenScale testattiin kuvadatalla, joka sisälsi käsinpiirrettyjä numeroita. Kuvia ei kyetty analysoimaan alkuperäisen suunnitelman mukaisesti palvelun kuvien analysointityökalun avulla, koska sen toteutus oli vielä keskeneräinen. Ongelma kierrettiin sillä, että kuvat muutettiin yksitasoisiksi vektoreiksi, jotka voitiin käsitellä ja analysoida OpenScalessa numeerisena/kategorisena datana.
Tutkimuksessa todettiin, että konsepti on toteuttamiskelpoinen. Kaikkia osia ei ehditty yhdistämään toisiinsa insinöörityön aikataulujen puitteissa, mutta osien erillinen toiminta on kyetty varmistamaan ja työ siirtyy seuraavaksi toteutusvaiheeseen.