Terrill Dicki
28 de julio de 2024 07:58
NVIDIA presenta el microservicio VISTA-3D NIM, que mejora el análisis de tomografías computarizadas con capacidades avanzadas de segmentación de órganos y enfermedades.
Cada año se realizan más de 300 millones de tomografías computarizadas (TC) en todo el mundo, de las cuales 85 millones se realizan solo en Estados Unidos. Los radiólogos buscan continuamente formas de agilizar su flujo de trabajo y generar informes precisos. Para abordar esta necesidad, NVIDIA Research ha desarrollado un nuevo modelo de base, VISTA-3D, que está integrado en un microservicio optimizado llamado NVIDIA NIM, diseñado para una implementación escalable, según el Blog técnico de NVIDIA.
Modelo VISTA-3D
El modelo VISTA-3D (Versatile Imaging Segmentation and Annotation) está entrenado en más de 12 000 volúmenes, que abarcan 127 tipos de estructuras anatómicas humanas y diversas lesiones, incluidos nódulos pulmonares, tumores hepáticos y lesiones óseas. Ofrece una segmentación precisa lista para usar y una segmentación interactiva de última generación sin necesidad de realizar ningún procedimiento, lo que lo convierte en una herramienta versátil para la obtención de imágenes médicas.
El modelo presenta tres flujos de trabajo principales:
- Segmentar todo: Permite una exploración corporal integral, ayudando a comprender enfermedades complejas que afectan a múltiples órganos.
- Segmento usando la clase: Proporciona vistas detalladas basadas en clases específicas, esenciales para el análisis específico de enfermedades.
- Indicaciones de puntos de segmento: Mejora la precisión de la segmentación a través de la selección dirigida por el usuario, acelerando la creación de datos precisos y veraces.
La arquitectura de VISTA-3D incluye una capa de codificador seguida de dos capas de decodificador paralelas: una para la segmentación automática y otra para las indicaciones puntuales. Esta estructura garantiza una alta precisión y adaptabilidad en diversas áreas anatómicas.
Microservicio NIM VISTA-3D
El microservicio VISTA-3D NIM, alojado en el catálogo de API de NVIDIA, permite a los usuarios probar sus capacidades con datos de muestra. Puede segmentar más de 100 órganos o clases específicas de interés y proporcionar vistas en planos axial, coronal o sagital.
Uso de microservicios NIM
Los usuarios pueden ejecutar VISTA-3D en sus datos registrándose para obtener una clave personal de NVIDIA, que proporciona 1000 créditos gratuitos para probar cualquier microservicio de NIM. Hay disponibles instrucciones detalladas sobre cómo generar una clave API y ejecutar el modelo, junto con un código de muestra en varios lenguajes de programación.
Para aquellos que buscan ejecutar VISTA-3D en sus propios datos, es necesario configurar un servidor FTP para servir imágenes médicas. Este enfoque se adapta al gran tamaño de las imágenes médicas, que suelen ser demasiado grandes para enviarlas directamente en cargas útiles de API.
Ejecución de microservicios NIM localmente
Para ejecutar microservicios NIM localmente, los usuarios deben solicitar acceso a NVIDIA NIM. Una vez aprobado, recibirán un contenedor Docker para ejecutar el microservicio NIM VISTA-3D en su hardware preferido. Los requisitos previos incluyen tener instalados Docker, Docker Compose y los controladores NVIDIA.
Se proporciona un archivo Docker Compose de muestra para ayudar a los usuarios a comenzar rápidamente, junto con instrucciones para configurar un servidor NGINX para servir imágenes.
Conclusión
El modelo básico VISTA-3D de NVIDIA representa un avance significativo en el campo de las imágenes médicas, ya que ofrece una segmentación precisa de más de 100 órganos y diversas enfermedades en tomografías computarizadas. El microservicio NVIDIA NIM simplifica la implementación y el uso de este potente modelo, lo que mejora el flujo de trabajo y la precisión de los radiólogos.
Los interesados pueden solicitar acceso al microservicio VISTA-3D NIM para aprovechar sus capacidades en su hardware, agilizando sus procesos de imágenes médicas.
Fuente de la imagen: Shutterstock
