盡管醫學成像技術取得了進步，但許多醫療專業人員仍然無法在自己的辦公室中使用診斷成像。Vortex Imaging是一家總部位于以色列的醫學成像設備開發商，也是NVIDIA Inception計劃的成員。
CT 和 MRI 掃描功能強大，但它們需要昂貴的基礎設施，并且通常局限于醫院環境或專用的診斷成像中心。超聲波機器的便攜性更高，但即使是最先進的系統也取決于操作者的技能，并且只能提供窄視野。因此，許多不在專門設施內的臨床醫生不得不將患者轉診到其他地方進行成像，從而延遲診斷和治療。
Vortex 提供的設備 Vortex360 將易用性與先進的診斷功能相結合，以彌補這一差距。這款緊湊型探針的尺寸大致相當于游戲機的尺寸，便于在辦公室內進行診斷。它可以停靠在約為高腰的推車中，以最小的占用空間將完整的影像帶到護理點。
我們的產品依托簡單易用的超聲波、采用 NVIDIA Jetson 的邊緣計算以及用于基于云的圖像重建和后處理的 GPU，旨在滿足從城市辦公室、醫院到農村社區等各種環境中工作的從業者的需求。
手掌中的強大成像功能
云計算的速度和可擴展性使其能夠在短短幾分鐘內重建高質量的 3D 立體圖像，從而隨時隨地為醫生和患者提供診斷見解。
該產品的核心是內嵌 NVIDIA Jetson 的緊湊型超聲波探頭，可實現邊緣計算。捕獲圖像數據的過程非常直觀，只需幾秒鐘。捕獲圖像后，圖像將上傳到云端，由 GPU 加速的專有算法根據原始聲學數據重建圖像的標準化 3D 版本。
云端高級圖像重建
Vortex 系統背后的核心重建引擎由 Full Waveform Inversion (FWI) 提供動力支持，FWI 是一種基于物理的計算方法，最初用于地球物理勘探，例如為石油和天然氣公司開發的地下成像。FWI 的工作原理是對整個聲波場進行建模，從而重建高分辨率圖像。
與依賴簡化假設和部分數據的傳統超聲波不同，FWI 使用整個波場、振幅、相位，甚至是散射和多路徑傳播等復雜行為。這種全面的方法能夠重建組織屬性的定量地圖 (例如音速、衰減和密度) ，從而提供可靠的臨床有意義的信息。
雖然傳統的 FWI 依賴于透射和反射數據，但我們開發了一種只需要反射數據集的方法。這允許使用簡單的單側探針進行高級波場重建，而無需移動或復雜的硬件。通過消除傳輸數據或探針運動的需求，醫療專業人員可以使用更緊湊、更低成本的設備生成高質量的圖像。
FWI 需要大量計算來解決復雜的物理問題。在早期開發階段，我們探索了基于 CPU 的架構作為潛在解決方案。但是，在內部基準測試中，這些替代方案的表現欠佳了 50x 到 100x，使其無法用于 3D 成像。
我們還認識到，FWI 中使用的迭代過程（使用基于梯度的優化來最大限度地減少模擬和觀察到的波場之間的差異）類似于深度學習神經網絡的訓練過程。這種相似性使 FWI 非常適合 NVIDIA GPU，因為它們能夠加速可并行的工作負載。因此，我們轉而采用純 GPU 架構，這一直是我們系統的基礎。如今，我們的云平臺由 GPU 提供支持，并通過我們專有的 CUDA 內核實現進行優化。
| ? | 深度學習模型訓練 | FWI 求解器 |
| 目標 | 根據學習到的模型參數進行預測 | 介質物理屬性的 3D 立體圖像 (即。醫學成像中的人體組織，或地球物理學中的地下層) |
| 輸入數據 | 輸入特征 (例如，image, text, signal) | 測量的傳感器數據 (例如，ultrasound 或 seismic 接收信號) |
| 迭代核心運算 | 前向傳遞神經網絡，然后進行梯度反向傳播 | 通過建模介質進行Numerical acoustic wavefield propagation，然后通過梯度backpropagation |
| 估計參數 | 模型權重和偏差 (在訓練過程中學習) | 對于 3D 體積中的每個體素：中等機械特性：speed of sound、密度、衰減和彈性 |
| 計算類型 | 矩陣運算和激活函數 | 用于 Laplacian 計算的模板 |
| 梯度使用 | 對模型權重和偏差進行干擾，以不斷減少每次迭代中的損失 | 在每次迭代中，對voxel機械特性進行調整，以略微減少loss (sensor data misfit) |
| 損失函數 | 分類 (即 MSE) 、回歸 (即 cross-entropy) 或專門化損失 (即 adversarial) | 觀察到的傳感器數據與建模后的傳感器數據之間的差異 |
| 輸出 | 經過訓練的模型，可提供預測、評分或輸出向量 | 介質的物理屬性 (the optimized parameters) |
| 并行適用性 | 高，兩種細粒度 (e.g. matrix operations) 和粗粒度 (e.g. batch parallelism) | 高，細粒度 (例如用于 Laplacian 的模板) 和粗粒度 (多種傳輸模式) |
| 為什么 NVIDIA GPU 是您的理想之選 | 加速張量和矩陣運算，為快速數據訪問提供高內存帶寬，跨多個 GPU 和節點擴展訓練作業 | 模擬波場和計算介質與不擬合函數的梯度所需的重復和高度并行運算 |
表 1。深度學習模型訓練與 FWI Solver 的比較。
用于數據采集的Edge compute
邊緣計算是我們架構不可或缺的一部分，可在數據采集期間實現設備端處理，而不會影響可移植性或能效。與之前僅使用 CPU 的解決方案相比，采用 NVIDIA Jetson 進行邊緣部署后，我們的圖像生成工作流的性能提高了 20 倍。這種性能飛躍對于直接支持護理點成像至關重要。
擴展成像訪問權限
我們的使命之一是讓 Medical Imaging變得更快、更方便、更容易獲取，幫助該領域的從業者為患者取得積極的結果。
- 臨床診斷：該設備允許臨床醫生在患者就診期間進行成像，從而消除轉診延遲并加快決策速度。
- 農村和遠程護理：該系統只需很少的操作員培訓，是服務水平低下或難以到達地區診所的理想選擇。
- AI 就緒型數據：該系統生成的標準化高質量數據集獨立于操作員，非常適合訓練和部署 AI 工具，以支持臨床決策。由于有效的 AI 模型的基礎是訪問大量一致、可靠的標注數據，因此 Vortex 能夠在各種護理環境中運行，從而實現更廣泛的數據收集，并加速模型開發和性能。
塑造診斷的未來
通過在云端使用邊緣處理和可擴展的 GPU 計算，我們希望將傳統的成像硬件轉變為一種準確、可訪問且經濟實惠的新型設備。
Vortex 是 NVIDIA Inception 計劃的成員。Inception 幫助我們確定了最適合的產品以及合適的工具和庫，以幫助為我們的 edge-to-cloud 部署模型創建鏡像。NVIDIA 繼續支持我們使用 NVIDIA MONAI 開發先進的 AI 功能，同時還提供接觸全球潛在客戶和合作伙伴網絡的機會。
如需詳細了解我們對診斷成像的愿景，請訪問 Vortex Imaging。
?
