مشروع العين الداخلية InnerEye
العين الداخلية
مجموعة أدوات التعلم العميق مفتوحة المصدر لمشروع InnerEye: إضفاء الطابع الديمقراطي على التصوير الطبي باستخدام الذكاء الصناعي– تمكين المطورين في معاهد البحوث والمستشفيات ومؤسسات علوم الحياة ومقدمي الرعاية الصحية لبناء نماذج الذكاء الاصطناعي الخاصة بالتصوير الطبي باستخدام الحاسوب السحابي أزور من مايكروسوفت.
ولجعل البحث متاحًا قدر الإمكان، فقد أطلقت مجموعة أدوات التعلم العميق العين الداخلية كبرنامج مفتوح المصدر. تسهل مجموعة الأدوات تدريب النماذج عالية الأداء باستخدام المجموعات ونشر النماذج باستخدام أزور للتعلم الآلي.
المميزات
- التحقق المتبادل باستخدام دعم أزور للتعلم الآلي المدمج، حيث يتم تدريب نماذج الطيات الفردية بالتوازي. هذا مهم بشكل خاص لوظائف التدريب طويلة الأمد التي يتم مشاهدتها غالبًا بالصور الطبية.
- ضبط الاعدادات الخاصة بالنموجذ المعروفة ب “Hyperparameter”.
- نماذج مجموعات البناء.
- سهولة إنشاء نماذج جديدة من خلال نهج قائم على التكوين، والوراثة من بنية قائمة. و هي خاصية مثيرة يمكن من خلالها إعادة تدريب نموذج موجود على بيانات جديدة بدلاً من بناء النموذج من الصفر، و تعرف هذه العملية باسم “Transfer Learning “.
مجموعة أدوات التعلم العميق العين الداخلية مفتوحة المصدر
بسرعة ملحوظة يتقدم تطوير نماذج التعلم اآلي للتصوير الطبي، حيث تستمر التقنيات الجديدة، مثل الشبكات العصبية العميقة، في التحسن. قد يكون من الصعب التركيز على التطورات الأساسية في تعلم الآلة بسبب هندسة البرمجيات المعقدة والبنية التحتية للحوسبة اللازمة لتحديد مشاريعهم وتدريبها واختبارها وتتبعها. عمل فريق مشروع العين الداخلية على مجموعة متنوعة من مشاريع تعلم الآلة (بما في ذلك العلاج الإشعاعي والتخطيط الجراحي والأشعة الكمية). ووضع إطار عمل مشترك لفريقنا لتبسيط سير العمل لدينا، والاستفادة من أزور من مايكروسوفت.
مشاركة مجموعة الأدوات هذه كمصدر مفتوح لأي شخص يريد:
- أنشئ تصنيفًا أو تجزئة أو نماذج متسلسلة للتصوير الطبي ثلاثي الأبعاد أو ثنائي الأبعاد على نطاق واسع.
- تجنب إدارة وصيانة مجموعة وحدة معالجة الرسومات المرنة المتطورة.
- اتبع أفضل الممارسات لإنشاء نماذج الذكاء الاصطناعي — DevOps.
كما صرح فريق العمل:
لقد أنشأنا نهجًا قائمًا على التكوين لبناء تصنيف الصور الخاص بك، أو التجزئة، أو النماذج المتسلسلة. يستخدم هذا قوالب لنماذج مختلفة، بما في ذلك السيناريوهات الشائعة مثل تجزئة العلاج الإشعاعي، وتجزئة الأشعة، وتصنيف طب العيون.
يمكن بناء نماذج التصنيف والانحدار والتسلسل باستخدام الصور فقط كمدخلات، أو مجموعة من الصور والبيانات غير التصويرية كمدخلات. يدعم هذا حالات الاستخدام النموذجية للبيانات الطبية حيث تتوفر غالبًا القياسات أو المؤشرات الحيوية أو خصائص المريض بالإضافة إلى الصور. يمكنك استخدام الشبكات العصبية المكونة مسبقًا ، مثل UNet3D ، أو إحضار الشبكات الخاصة بك.
