深度學習為智慧醫療儀器打開大門

作者 Kimberly Powell

數世紀以來醫師們無不想要看看患者的身體內部,使用手邊最好的工具來協助他們檢測、診斷和治療。CT 掃描、3D 超音波和 MRI 等新穎的診斷影像技術,挽救了無數人的性命。這些儀器運行著複雜的數學公式,將感應器取得的信號變成醫師看的 2D 和 3D 影像。

醫療服務提供者想要這些儀器具備更多功能,但在技術方面有其難處。醫師想要高速、安全又精準的儀器,而提供者則是想在提供照護服務之際,使用小巧、易於攜帶又能提供即時診斷結果的裝置。加上不斷提高解析度和呈現逼真影像的要求,則是需要在儀器內加裝超級電腦,才能擁有高超的運算能力。

Volta GPU 加快處理信號和演算法

NVIDIA 開發出的新款電腦滿足了這項要求。最新的 Volta GPU 運用強大的平行運算能力,能夠高速處理這些信號和影像演算法,而這種速度過去得用上成堆的傳統資料中心 CPU 方能做到。

NVIDIA 新款 Volta GPU 打造出的嵌入式人工智慧超級電腦,擁有每秒320兆次運算速度,能夠處理深度學習神經網路的複雜作業,且耗電量不到500瓦。這相當於60個 CPU 伺服器節點的運算表現及六十分之一的耗電量。

NVIDIA GPU 的運算效能使得計算機科學家能將深度學習用於解決影像方面的難題。大致上以人腦運作方式發展出的深度卷積神經網路,會學習以直接在訓練過程中看到的資料,辨識該物體的重要特徵,並且建立可用於辨識或分割影像的視覺模型,成效十分驚人。

智慧醫療儀器的新時代

結合深度學習、NVIDIA GPU 運算能力及醫學影像,開創出智慧醫療儀器的新時代。診斷影像領域的先驅者已開始採用 NVIDIA GPU 平台,在醫學影像處理流程的重建、影像處理和視覺化各重要階段裡,達到極為出色的成果。


AUTOMAP 採用深度神經網絡架構,
該架構由完全相連的雙曲正切啟動層及後續
具有整流器非線性啟動的卷積自動編碼器組成。
資料來源:https://arxiv.org/abs/1704.08841

重建過程指將資料取得階段獲得的信號轉變成圖像。在過去十年內信號處理演算法方面的進步,能以更高畫質重建 CT 影像,又將 X 光輻射量減少近八成。GE Healthcare 新發表的 Revolution Frontier CT 採用 NVIDIA GPU 來執行處理複雜重建演算法所需的運算作業。

麻省總醫院的研究小組、Biomedical Imaging 的 A.A. Martinos 中心與哈佛大學,發展出名為「AUTOMAP」的新式影像重建深度學習架構。過去要以人工方式使用專用變形和多種濾鏡演算法處理信號,才能進行影像重建作業。AUTOMAP 則是使用統一的影像重建架構,學習感應器和影像域間的重建關係,無需專業知識便可進行影像重建作業。

醫學影像處理階段不只進行重建工作,還能進行偵測、分類及分割作業,接著自動加入註釋及測量內容,協助放射科醫師處理當前複雜的 3D 影像資料。

嶄新的立體卷積神經網路

慕尼黑工業大學、慕尼黑大學與約翰.霍普金斯大學的研究團隊已發展出稱為「V-net」的立體卷積神經網路,能產生出前列腺 MRI 資料的原生 3D 分割畫面。在 3D 分割畫面裡描繪受檢視的器官,3D 影像裡器官的各立體像素會集合成群並分配相同的標籤。


全卷積神經網路處理 3D 資料執行立體分割的略圖。
資料來源:https://arxiv.org/pdf/1606.04797.pdf

以端對端的方式使用描繪前列腺的 MRI 立體圖像資料來訓練 V-net,並且學習一次對整個立體圖像資料預測分割內容。訓練 V-net 對影像裡數百萬個 3D 立體像素進行分割,需要龐大的運算能力,這正是研究團隊使用 NVIDIA GPU 的原因。

立體渲染推動發展出當前的視覺化技術,而立體渲染係一項對 CT 和 MRI 資料進行 3D 後處理,以視覺化方式呈現複雜解剖資訊的技術。醫師並不試著分析多個 2D 平面影像,而是使用立體渲染技術來產生多合一的 3D 立體影像。在強大 NVIDIA GPU 的助下,醫師可操作及從多個角度檢視影像,從空間上更深入瞭解解剖畫面。

以實影渲染技術呈現解剖影像

約翰.霍普金斯大學的 Dr. Elliot Fishman 與西門子公司的研究團隊發展出稱為「實影渲染」(Cinematic Rendering)的技術,運用符合物理條件的光擴散情況,繪製出達到電影影像品質的逼真人體解剖畫面。受電腦動畫影片裡使用之電腦圖像和 GPU 技術啟發的實影渲染技術,使用全域照明技術,在製作影像時採用直接和間接光線,產生出極為寫實的畫面。


實影渲染技術產生出栩栩如生的影像,
能更精準描繪出解剖細節和複雜的解剖結構。
《Cinematic Rendering: Principles, Applications,
and Observations in CT》,Elliot K. Fishman,
RSNA 2017 Scientific Exhibit。

這些高精度的影像讓放射科醫師能辨識出紋理上的細微變化,感覺與四周解剖結構間的深度和空間關係。約翰.霍普金斯大學的 Dr. Fishman 及其團隊還正在研究深度學習演算法如何能大幅提高實影渲染影像的逼真程度

診斷影像是挽救人類生命最重要的技術之一,難怪在過去十年中使用量顯著增加,光是在美國每年便檢視了數億張影像。全球對於醫學影像的需求出現飛快成長的局面,估算到2020年市值將達490億美元。

為新一輪的突破性發展打開大門

NVIDIA GPU 運算技術與深度學習將啟動新一輪的突破性發展,未來將提高影像逼真程度、減少輻射量,和推動更先進的微型技術。

未來的醫學影像系統加上 NVIDIA GPU,將成為小巧的人工智慧超級電腦,讓醫師擁有超人的透視能力,且立即對語音指令做出回應,找出和突顯感興趣的解剖區域。

早期檢測是挽救生命的最好辦法之一,這些智慧醫療儀器將成為打擊疾病的重要武器。