Cas d’usage

Imagerie par Résonance Magnétique quantitative (IRM quantitative, IRMq, IRM SoQut Imaging 2017-2021)

L’Imagerie par Résonance Magnétique quantitative (IRM quantitative, IRMq, IRM) permet l’extraction d’informations qui peuvent déctecté, notamment, des maladie au niveau du fois (Maladie du foie gras ou Maladie du soda, MASH, NASH, MASLD). Elle implique le traitement de fichiers DICOM qui ne sont pas conçu pour le traitement de données intensif ni pour le traitement de données en parallèle. Conçu ainsi, CWA permet de passer cette limitation et, en relation avec un PACS (Picture, Archiving and Communication System bien choisi, on obtient une suite logicielle complète de traitement de données intensif en local ou dans le Cloud. Historiquement, ce travail a été réalisé à l’origine pour SoQut Imaging. Alors, pourquoi ne pas combiner CWA avec hMRI-toolbox, qMRLab ou PyQMRI ?

Quantitative MRI of articular cartilage, T1ρ and T2 maps, SoQut Imaging 2017 example (ref.: https://doi.org/10.1002/jmri.24313)
Quantitative MRI of articular cartilage, T1ρ and T2 maps, SoQut Imaging 2017 example, référence

Simulations Electromagnétiques

Exécuter des algorithmes coûteux en ressource comme MEEP FDTD pour simuler des structures électromagnétiques peut être long. Dans ce cas, utiliser Compute Web App (aka CWA) permet d’optimiser le temps et l’efficacité de grandes campagnes de simulations. Envoyer ainsi les paramètres de simulation, exécutez les en parallèle sur plusieurs PC et récupérez les résultats.

2D waveguide FDTD EM fields simulation, SoQut Imaging 2017 example (ref.: http://ab-initio.mit.edu/~oskooi/papers/Oskooi10.pdf)
2D waveguide FDTD EM fields simulation, SoQut Imaging 2017 example, référence

Entraînement de modèle d’intelligence artificielle

Entraîner un model d’intelligence artificielle peut être coûteux en temps. Pour accélérer ce processus d’apprentissage, avec CWA et un HPC adapté : déployez CWA, envoyez les donner, contrôlez et suivez les traitements de données développés avec Keras, PyTorch ou TensorFlow. Envoyez les données d’entrée avec des paramètres pertinents, récupérez les modèles résultants et c’est bon !

From one brain scan, more information for medical artificial intelligence, segmentation, SoQut Imaging 2017 example (ref.: https://news.mit.edu/2019/training-artificial-intelligence-brain-scan-0619)
From one brain scan, more information for medical artificial intelligence, segmentation, SoQut Imaging 2017 example, référence