Search

[ES] En este documento se presenta el Trabajo de Final de Máster del Máster Universitario en Computación en la Nube y de Altas Prestaciones de la Universidad Politécnica de Valencia, consistente en el desarrollo, optimización y puesta en marcha de un servidor de redes neuronales de altas prestaciones para el apoyo al radiodiagnóstico. La herramienta base utilizada para ello ha sido NVIDIA Triton Inference Server (Triton), un software de código abierto que permite estandarizar el despliegue y la ejecución de redes de inteligencia artificial (Artificial Intelligence o AI) independientemente del entorno de desarrollo en el que fueron construidos, posibilitando su ejecución en cualquier infraestructura hardware basada en CPU o GPU. En el servidor construido, desplegado en el Hospital General Universitario de Castellón (HGUCS), se han implementado los modelos de AI desarrollados en dos proyectos de investigación liderados por la Universitat Jaume I (UJI) de Castellón, dirigidos ambos al apoyo al radiodiagnóstico para la detección de patologías en los servicios de urgencias hospitalarios: una red neuronal profunda de tipo convolucional y un segundo modelo de tipo transformador visual. Una de las tareas fundamentales a la hora de implantar una solución de inferencia en AI a escala es completar una fase de optimización que permita cumplir con los requisitos de servicio de latencia y rendimiento de la solución. Para ello, se han realizado ensayos software sobre las redes anteriormente mencionadas, variando parámetros como la concurrencia de clientes, el tamaño de lote de la red neuronal y el tiempo de espera máximo hasta llenar el lote, con el objetivo de reducir la latencia y aumentar el rendimiento. Estos test se han repetido en máquinas de características diferentes para valorar los cambios de productividad, latencia y rendimiento general en función de la plataforma hardware subyacente. En concreto, se ha trabajado con un nodo con dos GPUs NVIDIA RTX A6000, así como con tres plataformas de alto rendimiento y bajo consumo, Jetson Nano, Jetson Xavier y Jetson Orin, en las que se han probado distintos modos de configuración de la CPU y la GPU para ajustar el rendimiento y el consumo de energía. Las imágenes a analizar se obtienen en formato DICOM (Digital Imaging and Communications in Medicine), estándar de transmisión y almacenamiento de datos médicos. Dado que Triton carece de soporte para dicho protocolo, ha sido necesario el desarrollo de un módulo extra para comunicarse con el sistema de información del HGUCS. Este modulo también almacena los resultados anonimizados de la inferencia de las imágenes médicas en una base de datos (Database o DB). En un futuro, los datos acumulados se utilizarán para realizar una validación doble ciego que permita comprobar el funcionamiento de las redes en un escenario real, donde una persona experta en radiología diagnosticará las mismas imágenes que el servidor en el HGUCS., [EN] This document describes the Master's Dissertation of the Master's Degree in Cloud and High-Performance Computing of the Universidad Politécnica de Valencia, consisting of the de¿velopment, optimization and implementation of a high performance neural network server to support radiodiagnosis. The core tool used to achieve this goal has been NVIDIA Triton Infe¿rence Server (Triton), an open-source software that allows standardizing the deployment and execution of artificial intelligence networks (Artificial Intelligence or AI) regardless of the de¿velopment environment in which they were built, enabling their execution on any hardware infrastructure based on CPU or GPU. In the built server, deployed at the General University Hospital of Castellón (HGUCS), the AI models developed in two research projects led by the Universitat Jaume I (UJI) of Castellón have been implemented, both aimed at supporting radiodiagnosis for the detection of pathologies in hospital emergency departments: a convolutional deep neural network and a second model of visual transformer type. One of the essential tasks involved in implementing an AI inference solution at scale is to complete an optimization phase to meet the latency and throughput service requirements of the solution. To this end, software experiments have been performed on the aforementioned, varying parameters such as client concurrency, neural network batch size and maximum waiting time to fill the batch, with the aim of reducing latency and increasing throughput. These tests have been repeated on machines with different characteristics to assess the th¿roughput, latency and overall performance variations depending on the underlying hardware platform. Specifically, a node with two NVIDIA RTX A6000 GPUs, as well as three high¿performance, low-power platforms, Jetson Nano, Jetson Xavier and Jetson Orin have been tested with different CPU and GPU configuration modes to tune performance and power consumption. The images to be analyzed are obtained in DICOM (Digital Imaging and Communications in Medicine) format, a standard for transmission and storage of medical data. Since Triton lacks support for this protocol, it has been necessary to develop an extra module to communicate with the HGUCS information system. This module also stores the anonymized results of medical image inference in a database (DB). In the future, the accumulated data will be used to perform a double-blind validation to test the performance of the networks in a real scenario, where a radiology expert will diagnose the same images as the server at HGUCS.

[ES] Las redes convolucionales profundas han demostrado su gran valía para segmentar semánticamente imágenes complejas. Específicamente, las redes basadas en la arquitectura UNet han dado grandes resultados para la clasificación de imágenes prequirúrgicas multiparamétricas de glioma. En este proyecto realizaremos una comparación de arquitecturas propuestas recientemente con el objetivo de comprobar su rendimiento de forma comparada, por lo que se probarán arquitecturas como R2U-Net, SegNet, X-Net y Multires-UNET entre otras., [EN] Deep convolutional networks have proven their excellent value for semantically segmenting complex images. Specifically, networks based on the UNet architecture have yielded remarkable results for the classification of multiparametric pre-surgical glioma images. In this project we will perform a comparison of recently proposed architectures with the aim of evaluating their performance in a comparative way, so architectures such as R2U-Net, SegNet, X-Net and MultiresUNET, among others, will be assessed., [CA] Les xarxes convolucionales profundes han demostrat la seua gran vàlua per a segmentar semànticament imatges complexes. Específicament, les xarxes basades en l'arquitectura UNet han donat grans resultats per a la classificació d'imatges prequirúrgiques multiparamétricas de glioma. En este projecte realitzarem una comparació d'arquitectures proposades recentment amb l'objectiu de comprovar el seu rendiment de forma comparada, per la qual cosa es provaran arquitectures com R2U- Net, SegNet, X-Net i Multires-UNET, entre altres.

[Resumen]: El procesado digital de imagen es un campo que ha experimentado un gran crecimiento en los últimos años, estando ya presente en diferentes aspectos de nuestra vida cotidiana. Un ejemplo sería el ámbito médico, donde ya se empiezan a utilizar herramientas de diagnóstico automatizado a partir de imágenes. Estos sistemas de procesado se componen de diferentes etapas, siguiendo una serie de pasos que permiten extraer la información de interés en la imagen. Con esta información de interés y con el apoyo en una base de conocimiento, el sistema sería capaz de calcular unas conclusiones y mostrarlas al usuario. El propósito de este trabajo consiste en desarrollar una herramienta de procesado digital de imagen en diferentes etapas que trabaje sobre imagen médica. El sistema creado proporcionará asistencia a un médico, realizando mediciones sobre dos imágenes de una rodilla. El objetivo es automatizar la tarea de la toma de medidas de la Tuberosidad Tibial Anterior - Garganta de la Tróclea, habitualmente realizada de forma manual, ahorrando tiempo de trabajo al personal médico. [Abstract]: Digital image processing is a field which has experienced a great growth in the last years, taking part in different aspects of our daily lives. An example would be the medical area, where automated diagnostic tools using images are already beginning to be used. These processing systems are made up of different stages, following a series of steps that allow the extraction of the information of interest of an image. With this information of interest and with the support of a knowledge base, the system would be able to calculate some conclusions and show them to the user. The purpose of this project is to develop an image processing tool composed of different stages that works on medical image. The created system will provide assistance to a doctor, taking meassurements on two images of a knee. The objective is to automate the task of meassuring the Tibial Tuberosity - Trochlear Groove distance, usually carried out manually, saving work time for medical staff. Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2020/2021

[ES] El soporte al personal sanitario mediante el uso del aprendizaje profundo ya es una realidad, dando unos resultados sobresalientes en diferentes aspectos de la sanidad. Este trabajo muestra la eficacia con la que el aprendizaje profundo proporciona apoyo al diagnóstico de diferentes enfermedades y anomalías oculares mediante técnicas de análisis de imagen médica. En primer lugar se presenta el estado del arte con respecto al análisis de imagen médica mediante técnicas de aprendizaje profundo, y se presentan diferentes resultados experimentales obtenidos de diferentes conjuntos de datos, después se plantean los diferentes problemas a resolver, todos relacionados con el soporte al diagnóstico de diferentes enfermedades oculares. A continuación se exponen los diferentes modelos de aprendizaje profundo desarrollados para la resolución de estos problemas. Estos modelos se han basado en las redes neuronales convolucionales o “Convolutional Neural Networks” (CNN). Después se enumeran y explican las diferentes herramientas, tanto software como hardware utilizadas para la creación de estos modelos, y una vez hecho esto se explica en qué consisten los diferentes conjuntos de datos con los que se van a entrenar los modelos. Seguido a esto se explican los diferentes problemas surgidos durante el desarrollo del trabajo, así como la forma en la que se han solucionado. Por último se presentan y analizan los resultados experimentales de los diferentes modelos desarrollados, y se comparan con el estado del arte de este campo. El trabajo finaliza con una conclusión sobre las características del campo del aprendizaje profundo orientado al análisis de imagen medica y sobre los modelos que se han desarrollado., [CA] El suport al personal sanitari mitjançant l’ús de l’aprenentatge profund ja és una realitat, que dóna uns resultats excel·lents en diferents aspectes de la sanitat. Este treball mostra l’eficàcia amb què l’aprenentatge profund proporciona suport al diagnòstic de diferents malalties i anomalies oculars mitjançant tècniques d’anàlisi d’imatge mèdica. En primer lloc, es presenta l’estat de l’art respecte a l’anàlisi d’imatge mèdica mitjançant tècniques d’aprenentatge profund, i es presenten diferents resultats experimentals obtinguts de diferents conjunts de dades. Després es plantegen els diferents problemes que cal resoldre, tots relacionats amb el suport al diagnòstic de diferents malalties oculars. A continuació, s’exposen els diferents models d’aprenentatge profund desenvolupats per a la resolució d’estos problemes. Estos models s’han basat en les xarxes neuronals convolucionals o “Convolutional Neural Networks” (CNN). Després s’enumeren i expliquen les diferents eines, tant software com hardware utilitzades per a la creació d’estos models, i una vegada fet açò s’explica en què consisteixen els diferents conjunts de dades amb els què es van a entrenar els models. En acabat s’expliquen els diferents problemes sorgits durant el desenvolupament del treball, així com la forma en què se n’han solucionat. Finalment, es presenten i analitzen els resultats experimentals dels diferents models desenvolupats, i es comparen amb l’estat de l’art d’este camp. El treball finalitza amb una conclusió sobre les característiques del camp de l’aprenentatge profund orientat a l’anàlisi d’imatge mèdica i sobre els models que s’han desenvolupat., [EN] The support to health personnel through the use of deep learning is already a reality, giving outstanding results in different aspects of health. This work shows the effectiveness with which deep learning provides support to the diagnosis of different diseases and ocular abnormalities by means of medical image analysis techniques. First, the state of the art is presented with respect to the medical image analysis by means of deep learning techniques, after that different experimental results obtained from different data sets are submitted, then the different problems to be solved are presented, all related to the support to the diagnosis of different eye diseases. After that, the different models of deep learning developed to solve these problems are explained. These models have been based on convolutional neuronal networks (CNN). Then the different tools, both software and hardware used for the creation of these models, are enumerated and explained, and once this is done, the different sets of data with which the models will be trained are explained. Afterwards, the different problems arising during the development of the work are explained, as well as the way in which they have been solved. Finally, the experimental results of the different developed models are presented and analyzed, and compared with the state of the art in this field. The work ends with a conclusion about the characteristics of the field of deep learning oriented to the medical image analysis and the models that have been developed.

[ES] El GEPC (Grupo Español de Cáncer de Pulmón) estima que más de 21.000 personas mueren cada año en España como consecuencia del cáncer de pulmón, igualando las cifras por defunción causadas por cáncer de colon y mama, representando el 20'55% de las defunciones por cáncer en España. La prognosis del cáncer de pulmón es habitualmente mala, debido a que los pacientes no suelen presentar síntomas hasta que no se encuentran en estado avanzado. A pesar de los numerosos avances realizados en el campo de la radiología, la detección de la enfermedad sigue dándose principalmente en fases tardías, disminuyendo la tasa de supervivencia. La detección temprana de nódulos pulmonares, que pueden pasar desapercibidos en la lectura radiológica tradicional, ayudará a mejorar el manejo de la enfermedad, mejorando el pronóstico de los pacientes de cáncer de pulmón. Gracias a la digitalización de la imagen médica han aparecido técnicas no invasivas de ayuda al diagnóstico a través del análisis computacional de la imagen. Estas nuevas aproximaciones permiten la cuantificación de biomarcadores de imagen y la detección y clasificación de patologías mediante técnicas de aprendizaje supervisado y no supervisado. En el presente trabajo se desarrolla un método para la detección automática de nódulos pulmonares sobre imágenes de tomografía computarizada (TC) mediante el uso de técnicas basadas en inteligencia artificial. Concretamente, se desarrolla una red neuronal convolucional o CNN (Convolutional Neural Network) basada en aprendizaje supervisado, con adquisiciones extraídas de datasets públicos., [EN] GEPC (Grupo Español de Cáncer de Pulmón) estimates that more than 21,000 people die each year in Spain due to lung cancer, matching the numbers for deaths caused from colon and breast cancer, being lung cancer 20.55% of those in Spain. The prognosis of lung cancer is usually poor because patients tend not to feel sick until it is at an advanced stage. Despite of numerous advances in the field of radiology, sickness detection keeps being given at late stages, diminishing survival rate. Lung nodules early detection, which can be unperceived in traditional radiologic reading, will help on handling the sickness, improving lung cancer patient prognosis. With medical image digitalization, there are emerging non-invasive techniques that help to diagnose through computational image analysis. These new approaches allow image biomarkers quantification and the detection and classification of pathologies through supervised and unsupervised learning techniques. For this project a new method for lung nodules automatic detection through images taken from CT scan (Computational Tomography) is developed, using artificial intelligence based techniques. Specifically, a CNN (Convolutional Neural Network) based on supervised learning is developed, using samples from a public dataset.

[ES] La tomografía por emisión de positrones (PET) es una clase de imagen médica que permite la realización de un diagnóstico clínico. Para ello se requieren materiales radiactivos conocidos como radiofármacos, que son introducidos en el paciente y que posteriormente son detectados en una exploración por PET. Las aplicaciones de este diagnóstico son variadas, desde la detección de un cáncer, la evaluación de la eficacia de un plan de tratamiento, la determinación del retorno de un cáncer tras el tratamiento o la determinación de los efectos de un ataque cardíaco¿ entre otras. Por ello, el estudio de la producción de radionucleidos es de vital importancia. Los radiofármacos que se utilizan para PET son producidos mediante un ciclotrón, dada su amplia versatilidad en la producción de radionucleidos con altas actividades de una forma reproducible. Para el completo análisis y simulación de las transformaciones que tienen lugar en el interior de un ciclotrón, se crea un modelo 3D completo, en el que se dispone la instalación del bunker y la fuente. Este trabajo desarrolla un estudio detallado de la evaluación de dos radionucleidos de gran interés en las técnicas de diagnóstico médico (Flúor-18 y Galio-68), obteniendo un modelo genérico de referencia para el estudio de la producción de radionucleidos por el ciclotrón. Además, se realiza un estudio de la eficiencia en la producción de estos radionucleidos, mediante el análisis del sistema, comparando ambos radionucleidos y la dosis recibida en torno al bunker. El código de transporte de partículas utilizado en las simulaciones de este trabajo ha sido MCNP6 (Monte Carlo N-Particle Transport Code System), versión 6, desarrollado en Los Alamos, programa de cálculo más empleado debido a sus resultados semejantes a la realidad. Adicionalmente, este estudio sirve de referencia para el desarrollo de trabajos posteriores en esta materia, ya que fija las bases de utilización del código descrito y las librerías de datos nucleares a emplear en los cálculos de producción de radionucleidos con ciclotrón., [EN] The Proton Emission Tomography (PET) is one type of medical image that enables the development of a medical diagnostic. Radiopharmaceutical materials are required and are introduced in the patient and later detected in an exploration carried out by the PET. There is a wide range of applications, for instance cancer detection, treatment plan efficiency evaluations, cancer return after treatment determination or determining the effects of a heart attack. The study of radionuclide production for these purposes is of vital importance. The radiopharmaceutical materials used for the PET are produced using a cyclotron given its high versatility in radionuclide production with high activity in a repeatable manner. In order to obtain a complete analysis and simulation of the transformations that take place in the cyclotron, a complete 3D model is created with a complete installation of the bunker and the source. This thesis develops a detailed study of the evolution of two radionuclides of great interest in techniques of medical diagnostic (Fluor-18 and Galium-68), obtaining as a result a generic model that will be a reference for the study of radionuclide production efficiency by the cyclotron. Furthermore, a study of the efficiency of the production of these radionuclides is conducted, by means of the system, comparing both radionuclides and the received doses around the bunker. The particle transport code used in the simulations in this thesis has been MCNP6 (Monte Carlo N-Particle Transport Code System), version 6, developed at Los Alamos, being this a calculation program most applied due to its results¿ resemblance to reality. In addition, this thesis is useful as a reference for the development of later studies of this subject matter because it sets the basics for the use of the described code and the nuclear data libraries that must be used in the radionuclide production calculations with the cyclotron.

[ES] Trabajar con grandes cantidades de datos de una manera inadecuada, el acceso a ellos y la manera de realizar los cálculos a la hora de programar puede afectar enormemente y de manera negativa al tiempo de ejecución de cualquier aplicación. Cuando se trata con imágenes médicas para la segmentación automática debemos hacer frente a todos estos problemas, y para solucionarlos vamos a hacer uso tanto de la paralelización de la aplicación entre distintos núcleos de procesamiento, como de la reorganización de código y uso correcto de los datos para conseguir una mejora en el tiempo de cómputo del programa. Por otro lado, se ha intentado abordar el problema del contorneado automático de órganos usando redes neuronales artificiales, prescindiendo de la anterior aplicación para buscar un mayor índice de acierto y proporcionar mejores resultados usando esta tecnología., [EN] Working with large amounts of data in an inadequate form, the access to it and the way to perform calculations when programming can affect enormously and negatively to the time of execution of any application. When it comes to automatic segmentation of medical images we must face all the problems mentioned and solve them, to do that we need to use both the parallelization of the application between different processing cores, and the reorganization of code and the correct usage of data to get an improvement in the computing time of the program. On the other hand, we have tried to solve the problem about automatic segmentation of organs using artificial neural networks without the previous application to get a higher success rate and better results using this technology.

El cáncer de colon es uno de los cánceres con más incidencia en la población mundial. Su detección precoz necesita de la identificación temprana de pólipos, que son su lesión precursora. Sistemas automáticos son empleados para ayudar a los médicos en su detección precoz. Dicha detección automática presenta algunos problemas derivados de la aparición de reflejos especulares que afectan a la salida de dichos métodos. Una solución para este problema es la detección automática de reflejos, que se suele llevar a cabo en dos etapas: una segmentación previa de la imagen y una posterior clasificación de esas regiones a partir de un análisis de su contenido. En este proyecto afrontamos esta última etapa, realizando un estudio de diversos clasificadores que determinan si una región contiene un reflejo o no a partir del análisis de unas características de las regiones que se han definido específicamente para este caso. Los resultados preliminares ofrecen un buen rendimiento de los clasificadores estudiados, mostrando asimismo la incidencia de parámetros clave como el tamaño de los conjuntos de entrenamiento y test o los porcentajes de solapamiento a la hora de hacer el entrenamiento. Colon cancer is one of the cancers with the highest incidence in the world population. The quick detection requires an early identification of polyps, which are the precursor lesion. Doctors are helped by automatic systems in order to the early detection. This automatic detection poses some problems when it comes to the appearance of specular highlights which affect the output of the said methods. The automatic detection of the specular highlights is a solution for this problem. It is often done in two stages: a previous segmentation of the image and a posterior classification of those regions through an analysis of their content. In this project, we deal with this latter stage by carrying out a study of several classifiers which determine if a region contains or not a specular highlight from the analysis of the characteristics of the regions that have been specifically defined for this case. The preliminary results offer a high performance of the studied classifiers, showing also the incidence of the key parameters like the size of the unit of training set and test set or the percentages of overlapping when it comes to do the training. El càncer de còlon és un dels càncers amb més incidència a la població mundial. La seva detecció precoç necessita una identificació primerenca dels pòlips, que són la seva lesió precursora. Sistemes automàtics són emprats per ajudar als metges a la seva primerenca detecció. Aquesta detecció automàtica presenta alguns problemes derivats de l'aparició de reflexos especulars que afecten la sortida d'aquests mètodes. Una solució per a aquest problema és la detecció automàtica de reflexos, que consta de dues etapes: una segmentació prèvia de la imatge i una classificació a posterior d'aquelles regions a partir de l'anàlisi del seu contingut. En aquest projecte afrontem aquesta última etapa, realitzant un estudi de diversos classificadors que determinen si una regió conté reflexes o no a partir de l'anàlisi d'unes característiques de les regions que s'han definit específicament per aquest cas. Els resultats preliminars ofereixen un bon rendiment dels classificadors estudiats, mostrant la incidència de paràmetres clau com la mida del conjunt d'entrenament i test o els percentatges de superposició a l'hora de l'entrenament.

EL OBJETIVO FINAL DE ESTE TRABAJO, ES EL DE CREAR UNA PLATAFORMA DE ARQUITECTURA MODULAR, QUE PERMITA LA VISUALIZACIÓN DE IMÁGENES OBTENIDAS MEDIANTE RESONANCIA MAGNÉTICA Y ESTÉ PROVISTA DE LAS HERRAMIENTAS PRINCIPALES PARA TRATAR Y PROCESAR DICHAS IMÁGENES, FACILITANDO ASÍ, EL DIAGNÓSTICO FINAL AL FACULTATIVO., THE FINAL GOAL OF THIS WORK IS TO CREATE A MODULAR ARCHITECTURE PLATFORM THAT ALLOWS THE VISUALIZATION OF MAGNETIC RESONANCE IMAGES. THE APPLICATION HAS THE MAIN TOOLS FOR PROCESSING IMAGES, THUS FACILITATING THE FINAL DIAGNOSIS BY THE DOCTOR

Este artículo describe un algoritmo para realzar los bordes en una imagen digital en color basada en la extensión S-CIELAB. Esta extensión implica una serie de filtros espaciales de suavizado en el espacio de color acromático y los colores oponentes para aproximar las funciones de sensibilidad al contraste del sistema visual humano. Los filtros son combinaciones lineales de máscaras gaussianas. En el presente trabajo se combinaron estos filtros espaciales con el operador laplaciano en cada canal opuesto y el canal acromático para obtener la imagen realzada. La imagen que resulta es restada de la imagen original en cada canal por separado y se transforma de nuevo a la representación del color independiente del dispositivo (XYZ) para obtener de esta forma la imagen realzada. Este artículo describe dos ejemplos que usan el algoritmo de realce con imágenes médicas del área oftálmica This paper describes an algorithm to sharpen a colour digital image based on S-CIE LAB extension. S-CIE LAB involves a series of smoothing spatial filters in the opponent color space to approximate the contrast sensitivity functions of the human vision system. The filters are linear combinations of Gaussian masks. The algorithm combines these spatial filters with the Laplacian operator in each opponent channel to obtain the sharpened image. The resulting image is then subtracted from the original image in each opponent channel and back transformed to the device independent representation space (XYZ) to obtain the final sharpened image. This article describes two examples that use the sharpening algorithm with medical images of the ophthalmic area.