现代医学之所以每天都在造福无数人类,对人体越来越深入的了解是重要原因,尤其是诊断的时候,医学影像起到的作用越来越重要。专业医疗科学网站估计:医疗数据中有超过90%的数据来自于医学影像。然而,针对影像数据的分析,现在主要还是靠易于出错的人工完成,误诊难以避免,中外概莫能外。从影像误诊人数来看,美国每年人数达到 1,200 万,中国每年高达 5,700 万。
不过,AI 和深度学习技术正在逐渐解决这些问题。诸如对象检测和分割等 AI 技术,可以帮助放射科医生更快、更准确地识别问题,从而更好地划分病例优先级、改善患者治疗效果、降低医院运营成本。这种技术的挑战在于:如何在尽量不大幅增加系统成本的的前提下,能够高效、准确地处理医学影像?
英特尔和飞利浦公司合作证明:搭载英特尔 至强 可扩展处理器的服务器,可用于高效执行面向患者 X 光和 CT 扫描的深度学习推理,医疗机构无需巨额投资、修改使用GPU硬件 ,也能实施医疗 AI 工作负载。
骨龄预测 and 肺部分割,推理大提速
2017 年,英特尔推出了至强 可扩展处理器,可以处理复杂的混合工作负载,包括医疗成像领域常见的大型内存密集型模型,也能实现加速。在此之前,要想使用硬件加速深度学习,常见的做法是使用图形处理单元 GPU。不过,这种做法存在一些内存限制,同时购买适用 GPU 的费用也是居高不下。英特尔和飞利浦发现,相比基于 GPU 的系统,英特尔至强可扩展处理器更能满足数据科学家的需求。更让飞利浦高兴的是——能够以更低的成本为客户提供 AI 解决方案。
为了支持医学图像兴趣区分割和医学图像分类,飞利浦正在开发复杂的深度学习模型,可用于以下两种案例:
骨龄预测模型
以人类骨骼(比如手腕)的 X 光图像和患者性别为输入。然后,推理模型通过骨骼预测年龄,以确定因骨质流失导致的身体状况。该模型可以协助诊断营养不良等症状。
肺部分割模型
患者胸部 CT 扫描结果识别肺部,在检测到的器官周围创建分割掩膜。推理结果可用于测量肺部的大小和体积,或加载用于譬如肺结核或气胸检测的特定器官疾病筛选模型。放射科医生能更清晰地看到病患的肺部解剖结构。
在模型的优化上,飞利浦使用以下两种方法,最大限度地提升了推理模型的性能。
使用 OpenVINO 工具套件
该套件有两个主要组件:模型优化器和推理引擎。前者对神经网络图形进行优化,后者可以针对制定目标硬件后端加载推理引擎。英特尔提供了面向各种硬件类型的程序开发库,以实施高效深度学习的内核。
并行化工作负载
也就是运行多个 OpenVINO 实例。相比运行一个实例而言,在每个处理器插槽上运行多个 OpenVINO 实例,显著提高了每秒处理的图像数。每个实例绑定至 一个或多个英特尔至强可扩展处理器的内核,显著提高了内核利用率。
经过这些优化后,效果显著。针对前面提到的两个案例:
★骨龄预测模型每秒处理的图像增加 188 倍;
★肺部分割模型每秒处理的图像增加 38 倍。
飞利浦的案例研究表明:医疗机构无需巨额硬件投资,也能实施医疗 AI 工作负载。对于飞利浦这样的公司而言,还可以通过在线商店等方式提供 AI 算法下载,以此增加收入,在日益激烈的竞争中脱颖而出。
AI+医疗影像,创造健康美好未来
总体而言,医疗影像之类的工作负载,常常需要小批次或流处理方式应对,这就非常适合使用CPU作为支撑硬件,特别是英特尔 至强 可扩展处理器,可以为 AI 模型提供经济高效、灵活的平台。结合OpenVINO 工具套件使用,能够在不影响准确性的前提下部署预训练模型,从而提高效率。
美国资深咨询公司弗罗斯特 - 沙利文公司曾作出结论:“人工智能可将医疗效果提高 50%,同时减少多达 50% 的医疗成本。”人工智能和医疗影像的结合,必将为人类的健康创造更美好的未来。
-
处理器
+关注
关注
68文章
19093浏览量
228778 -
神经网络
+关注
关注
42文章
4733浏览量
100410 -
医疗影像
+关注
关注
1文章
88浏览量
19187
发布评论请先 登录
相关推荐
评论