Sign in Subscribe
行业动态

基于 Snowflake 的 MONAI 分布式医学影像处理 ｜ 技术实践

点击查看原文>

AI_light

• 10 min read

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

概述

医学图像配准是医学人工智能领域的一项核心任务，旨在实现不同时间点或不同呼吸相位采集的计算机断层扫描（CT）图像之间的空间对齐。本指南将演示如何在支持 GPU 加速的 Snowflake Container Services 平台上，利用 MONAI（Medical Open Network for AI）构建一个可用于生产环境的分布式训练与推理流程。

通过本指南，您将完成一个完整的医学图像配准系统的构建，具体包括以下内容：

• 从公共数据集下载并处理肺部 CT 扫描图像；

• 基于 Ray 分布式计算框架训练 LocalNet 深度学习模型；

• 将训练完成的模型注册至 Snowflake 模型注册表；

• 在多个 GPU 上执行分布式推理。

内容架构

• 基于 NIfTI 格式的医学影像数据摄入流水线；

• 基于 Ray 和 MONAI 框架的分布式训练系统；

• 利用 Snowflake 模型注册表实现的模型管理及版本控制工作流；

• 支持并行处理的分布式推理流水线；

• 包含影像配准质量评估指标的结果数据表。

学习目标

• 掌握在配备 GPU 计算池的 Snowflake 容器运行时环境中使用笔记本的方法；

• 学习如何将 MONAI 医学影像分析框架与 Snowflake 平台进行集成；

• 理解如何利用 Ray 进行分布式深度学习任务的高效调度与执行；

• 掌握通过 Snowflake 模型注册表进行机器学习模型全生命周期管理的方法；

• 学习在 Snowflake 内部阶段存取医学影像数据的技术方法。

准备要求

• 熟悉 Python 编程语言，掌握深度学习基本概念；

• 具备医学影像相关知识者优先（非必需)；

• 拥有支持容器运行时及 GPU 计算池的 Snowflake 账户；

• 可访问Snowflake注册页面（https://signup.snowflake.com）免费创建账户。

架构概述

解决方案架构

该 MONAI 医学影像处理方案包含三个运行于 Snowflake 容器运行时并采用 GPU 加速的笔记本：

1. 数据摄入（01_ingest_data.ipynb）

• 下载来自公开数据集的配对肺部 CT 扫描数据；

• 将 NIfTI 格式文件上传至加密的 Snowflake 内部阶段。

2. 模型训练（02_model_training.ipynb）

• 初始化 Ray 集群以实现分布式计算；

• 训练 LocalNet 配准模型；

• 将检查点文件保存至 Snowflake 内部阶段；

• 在 Snowflake 模型注册表中完成模型注册。

3. 模型推理（03_model_inference.ipynb）

• 从模型注册表加载训练好的模型；

• 跨 GPU 执行分布式推理任务；

• 将配准后的图像及相关指标保存至 Snowflake。

关键技术

设置 Snowflake 环境

在此步骤中，您将创建 MONAI 解决方案所需的所有 Snowflake 对象。该设置脚本会自动从 GitHub 下载并配置所有笔记本！

步骤 1：创建数据库对象

  1. 在 Snowsight 中，点击左侧导航栏的"项目"，然后选择"工作区"，或直接点击此处跳转

  2. 点击"+ 新增"以创建新的工作区

  3. 点击"SQL 文件"以创建新的 SQL 文件

  4. 从 setup.sql 复制设置脚本，并粘贴到您的 SQL 文件中

步骤 2：运行设置脚本

运行完整设置脚本，以自动创建以下内容：

• 角色：SF_CLINICAL_DATA_SCIENTIST，并授予相应权限；

• 仓库：SF_CLINICAL_WH（小型）；

• 数据库：SF_CLINICAL_DB，包含 UTILS 和 RESULTS 模式；

• 暂存区：NOTEBOOK_STG、SF_CLINICAL_MEDICAL_IMAGES_STG、RESULTS_STG；

• 网络规则及外部访问集成：用于 pip 安装及 GitHub 访问；

• GPU 计算池：SF_CLINICAL_GPU_ML_M_POOL（采用 GPU_NV_M 实例）；

• 笔记本：从 GitHub 自动下载并配置全部 3 本笔记本。

该脚本将创建一个名为 LOAD_NOTEBOOKS_FROM_GITHUB() 的存储过程，用于：

  1. 从 GitHub 仓库下载所有笔记本文件

  2. 将其上传至 NOTEBOOK_STG 暂存区

  3. 使用正确的计算池和仓库创建笔记本

  4. 为每本笔记本配置外部访问集成

步骤 3：验证笔记本

设置脚本完成后，在 Snowsight 中依次导航至“项目” → “笔记本”。您应能看到三个已创建的笔记本：

• SF_CLINICAL_01_INGEST_DATA；

• SF_CLINICAL_02_MODEL_TRAINING；

• SF_CLINICAL_03_MODEL_INFERENCE。

运行数据导入笔记本

步骤 1：打开笔记本

1. 在 Snowsight 中，导航至"项目"→"笔记本"，或点击此处直接进入

  1. 在 SF_CLINICAL_DB.UTILS 模式下找到 SF_CLINICAL_01_INGEST_DATA 笔记本

  2. 点击打开该笔记本

步骤 2：启动容器运行时

  1. 点击右上角的"启动"按钮

  2. 等待容器运行时完成初始化（首次运行可能需要 2-3 分钟）

  3. 此时您应能看到笔记本的内核已变为活动状态

步骤 3：安装依赖包并重启内核

  1. 运行 install_dependencies 代码单元（!pip install monai）以安装 MONAI 库

  2. 系统将显示"可能需要重启内核"的消息，并附带"显示操作步骤"按钮——请点击该按钮

  3. 页面顶部（"活动"按钮旁）将展开一个下拉菜单

  4. 点击"重启内核"以加载新安装的软件包

步骤 4：运行剩余单元格

内核重启后：

  1. 点击笔记本顶部的 Run All (全部运行)，执行所有单元格

将运行以下剩余单元格：

• 初始化会话：连接至 Snowflake 并设置查询标签；

• 下载数据：从 Zenodo 下载配对肺 CT 扫描数据（约 266MB）；

• 上传至存储阶段：将 NIfTI 格式文件上传至 Snowflake 存储阶段。

预期输出

成功执行后，您应看到：

• 已上传 20 例配对肺 CT 扫描病例；

• 文件已归类存储于 lungMasksExp、lungMasksInsp、scansExp、scansInsp 文件夹中；

• 所有文件均采用 Snowflake 服务器端加密保存。

Step 5: Exit and Proceed to Next Notebook

  1. 点击左上角的 ← 返回箭头

  2. 在"结束会话？"对话框中，点击 End session（结束会话）

  3. 请继续下一个笔记本（02_模型训练）

运行模型训练笔记本

步骤 1：打开训练笔记本

1. 导航至"项目"→"笔记本"

  1. 在 SF_CLINICAL_DB.UTILS 模式下打开 SF_CLINICAL_02_MODEL_TRAINING 笔记本

  2. 点击"启动"按钮初始化容器运行环境

步骤 2：安装依赖包并重启内核

  1. 运行 install_ml_packages 代码单元（!pip install snowflake-ml-python --upgrade nibabel monai）

  2. 出现"可能需要重启内核"提示信息，并显示"显示操作步骤"按钮，请点击该按钮

  3. 顶部（"激活"按钮旁）弹出下拉菜单

  4. 点击"重启内核"以加载新安装的软件包

步骤 3：运行剩余单元格

内核重启完成后：

1. 点击笔记本顶部的 Run all（全部运行），执行所有单元格

步骤 4：理解训练流程

笔记本将执行以下关键步骤：

1. ML 任务配置：设置用于 GPU 训练的 Snowflake ML 任务

2. 数据加载：从存储阶段读取配对的 CT 扫描路径

3. 模型定义：构建 LocalNet 配准网络

4. 训练循环：采用互信息损失与弯曲能量损失联合训练

5. 模型注册：将最佳模型保存至 Snowflake 模型注册表

步骤 5：监测训练进度

训练循环将显示以下内容：

• 当前迭代轮次（Epoch）与总损失值（Total Loss）；

• 相似性损失（衡量图像配准质量）；

• 正则化损失（衡量形变平滑程度）；

• 验证集 Dice 系数（衡量分割区域重叠度）。

此外，本笔记本还提供交互式 CT 扫描可视化功能，方便用户查看训练数据。

步骤 6：验证模型注册

训练完成后，系统会自动将模型注册至 Snowflake 模型注册表。此时可在输出结果中查看名为 LUNG_CT_REGISTRATION 的模型及其版本号 v1。

步骤 7：退出并进入下一个笔记本

  1. 点击左上角的←返回箭头

  2. 在“结束会话？”对话框中，点击“结束会话(End session)”

  3. 继续进入下一个笔记本（03_模型推理）

运行模型推理笔记本

步骤 1：打开推理笔记本

1. 导航至“项目”→“笔记本”

  1. 打开 SF_CLINICAL_DB.UTILS 模式中的 SF_CLINICAL_03_MODEL_INFERENCE 笔记本

  2. 点击“启动”以初始化容器运行时

步骤 2：安装依赖包并重启内核

  1. 运行 install_ml_packages 代码单元（!pip install snowflake-ml-python --upgrade）

  2. 出现"可能需要重启内核"提示信息，并显示"显示操作步骤"按钮，请点击该按钮

  3. 顶部（“激活”按钮旁）弹出下拉菜单

  4. 点击"重启内核"以加载新安装的软件包

步骤 3：运行剩余代码单元格

内核重启完成后：

  1. 点击笔记本顶部的“全部运行（Run all）”按钮，执行所有代码单元格

步骤 4：查看推理结果

本笔记本将：

1. 加载模型：从模型注册表获取训练完成的模型

2. 执行批量推理：采用 run_batch() 应用程序接口实现分布式图形处理器并行处理

3. 处理影像数据：对所有测试病例进行并行图像配准操作

4. 保存结果：将配准后的影像写入存储阶段，并将评估指标存入数据表

笔记本将自动呈现结果，并将数据保存至 SF_CLINICAL_DB 数据库的 RESULTS 架构下的 SF_CLINICAL_INFERENCE_RESULTS 结果表中。

清理

要移除本指南创建的所有资源，请按以下步骤操作：

  1. 在 Snowsight 中停止所有正在运行的笔记本。

  2. 在 Snowsight 中手动删除笔记本（项目 → 笔记本 → 选择 → 删除）。

  3. 打开您的 setup.sql 工作区（即您在设置期间使用的工作区）。

  4. 滚动到底部的“拆卸脚本”部分。

  5. 取消注释 DROP 语句。

  6. 运行拆卸命令。

拆卸脚本将移除本指南创建的所有计算池、集成、数据库对象、仓库和角色。

结论与资源

恭喜您！您已成功使用 Snowflake 上的 MONAI 构建了一个分布式医学图像配准流程。

学习要点

• 如何配置支持 GPU 计算池的 Snowflake 容器运行时；

• 如何使用 MONAI 执行医学图像处理任务；

• 如何利用 Ray 进行分布式训练和推理；

• 如何使用 Snowflake 模型注册表管理机器学习模型；

• 如何在 Snowflake 内部阶段中存储和处理医学图像。

相关资源

博客：

• Medium：基于MONAI的分布式医学图像处理。

Snowflake 文档：

• 容器运行时上的笔记本；

• 模型注册表。

MONAI 资源：

• MONAI 文档；

• MONAI GitHub；

• MONAI教程。

Ray 文档：

• Ray Train。

原文地址：https://www.snowflake.com/en/developers/guides/distributed-medical-image-processing-with-monai/

点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。

本文来源：InfoQ

Sign up for more like this.

Enter your email
Subscribe