NVIDIA Clara AGX 開發(fā)工具包與 us4R 超聲波開發(fā)系統(tǒng)一起，可以快速開發(fā)和測試用于超聲成像的實時 AI 處理系統(tǒng)。 Clara AGX 開發(fā)套件具有 ARM CPU 和高性能 RTX 6000 GPU 。 us4R 團隊為超聲系統(tǒng)設(shè)計師提供了開發(fā)、原型化和測試端到端軟件定義超聲系統(tǒng)的能力。 Clara AGX 正在啟動軟件定義醫(yī)療儀器的時代，該儀器具有可重構(gòu)管道，而無需改變硬件。

us4us 硬件和 SDK 提供端到端的超聲算法開發(fā)和射頻處理平臺，高端 Clara AGX GPU 實現(xiàn)實時深度學(xué)習(xí)和 AI 圖像重建和推斷。通過這種方法，整個系統(tǒng)工程團隊受益：波束形成專家可以創(chuàng)建最佳波束策略，人工智能專家可以設(shè)計和部署下一代實時算法。

這種硬件和軟件相結(jié)合的平臺使研究實驗室和商業(yè)供應(yīng)商的超聲波開發(fā)民主化，以開發(fā)新的功能。設(shè)計、原型和測試功能硬件不再需要巨額資金預(yù)算。設(shè)備管道的每個階段都可以修改。數(shù)據(jù)采集、數(shù)據(jù)處理、圖像重建、圖像處理、 AI 分析和可視化都在軟件中定義，并以低延遲性能實時執(zhí)行。該系統(tǒng)是完全可配置的，可以使用 AI 或傳統(tǒng)方法創(chuàng)建新的射頻傳輸波形和波束形成算法。

通過 NVIDIA 將 X-6 SmartNIC 100Gb / s 以太網(wǎng)和 RDMA 數(shù)據(jù)傳輸?shù)?GPU ，可以實現(xiàn)超快、低延遲的端到端數(shù)據(jù)傳輸。 NVIDIA 增壓式 GPU 可以圍繞現(xiàn)有的傳統(tǒng)高級成本系統(tǒng)運行。它能夠改進圖像重建、去噪和管道中高度先進和復(fù)雜算法的信噪比和實時處理。

GPU 具有足夠的凈空，可同時運行多個實時臨床推斷預(yù)測，包括測量、操作員指導(dǎo)、圖像解釋、組織和器官識別、高級可視化和臨床覆蓋。

Clara AGX 硬件的臨床應(yīng)用商業(yè)化將與第三方供應(yīng)商提供的醫(yī)療級硬件一起提供，其結(jié)構(gòu)緊湊且節(jié)能 CPU + GPU SoC 形狀因數(shù)與自動駕駛汽車應(yīng)用中的形狀因數(shù)相似。

Clara AGX 開發(fā)工具包是一款高端性能工作站，專為開發(fā)醫(yī)療應(yīng)用而設(shè)計。該系統(tǒng)包括一個 NVIDIA RTX 6000 GPU ，在峰值性能下提供 200 多個 INT8 AI TOP 和 16. 3 FP32 TFLOP ，并具有 24 GB 的 VRAM 。這為運行多個模型留下了足夠的空間。使用 100G 以太網(wǎng) Mellanox ConnectX-6 網(wǎng)絡(luò)接口卡（ NIC ），可以與傳感器進行高帶寬 I / O 通信。

NVIDIA 合作伙伴目前正在使用 Clara AGX 開發(fā)工具包開發(fā)超聲波、內(nèi)窺鏡檢查和基因組學(xué)應(yīng)用。

us4R 和 NVIDIA Clara AGX

us4us 有限公司提供兩種系統(tǒng)：

高級 us4R ，最多支持 1024 個 TX / 256 個 RX 通道

具有 256 個 TX / 64 個 RX 通道的便攜式 us4R lite

兩者都使用 PCIe 流式體系結(jié)構(gòu)進行低延遲數(shù)據(jù)傳輸，并使用 GPU 進行原始超聲回波信號的可擴展處理。 us4OEM 超聲波前端模塊支持 128TX / 32RX 模擬通道和高吞吐量 3GB / s PCIe Gen3 x4 數(shù)據(jù)接口（圖 2 ）。

圖 3 Us4r lite 和 Clara AGX 平臺

端到端，軟件定義的超聲波設(shè)計

ARRUS 包是用于提供一個高級硬件抽象層的 US4R 的 SDK ，它使系統(tǒng)編程在 Python 、 C ++或 MATLAB 中。硬件編程通過定義射頻模塊來執(zhí)行，包括以下內(nèi)容：

有源發(fā)射（ TX ）探頭元件

傳輸參數(shù)，如發(fā)送電壓、發(fā)送波形和發(fā)送延遲

接收（ RX ）孔徑和采集參數(shù)，如增益、濾波器和時間增益補償

常用的 TX / RX 序列，如經(jīng)典線性掃描、平面波成像（ PWI ）和合成發(fā)射孔徑（ STA ）是預(yù)配置的，可以快速實現(xiàn)。自定義序列配置有用戶定義的低級參數(shù)，如 TX / RX 孔徑掩模和 TX 延遲。

ARRUS 包還包括用于圖像重建的許多標(biāo)準(zhǔn)超聲處理算法的 Python 實現(xiàn)，包括原始射頻數(shù)據(jù)、射頻數(shù)據(jù)預(yù)處理（數(shù)據(jù)濾波、正交解調(diào)等）、波束形成（ PWI 、 STA 和經(jīng)典方案）以及 B 模式圖像的后處理。

這些算法是用于構(gòu)建任意成像管道的構(gòu)建塊，可以處理 us4R 系統(tǒng)產(chǎn)生的射頻數(shù)據(jù)流。 GPU cuPy 提供了加速的數(shù)值例程。 DLPack 指定了一種通用的內(nèi)存張量結(jié)構(gòu)，可實現(xiàn)機器學(xué)習(xí)框架和 GPU 之間的數(shù)據(jù)共享在使用 RDMA 處理庫的同時，在它們之間復(fù)制數(shù)據(jù)不需要額外的開銷。 DLPack 界面提供對 TensorFlow 、 PyTorch 、 Chainer 和 MXNet 中預(yù)定義或用戶開發(fā)的深度學(xué)習(xí)模型的訪問。

圖 4 此版本的 NGC 容器軟件示意圖

US4US 超聲波演示

通過結(jié)合軟件和硬件堆棧，您可以在不到一頁易讀的 Python 代碼中快速實現(xiàn)具有可配置參數(shù)的超聲工作流程。在本節(jié)中，我們將向您展示如何使用 ARRUS API 、 us4R lite 平臺和 Clara AGX DevKit 在幾分鐘內(nèi)創(chuàng)建您自己的超聲成像管道。

下面的代碼示例應(yīng)適用于適當(dāng)?shù)沫h(huán)境。但是，我們建議直接通過NGC使用 Docker 容器。在/ us4us _ examples / mimicknet-example 。 ipynb 的容器中，有一個交互式 Jupyter 筆記本可以幫助您完成此演示。

首先導(dǎo)入相關(guān)庫，包括 ARRUS 、 NumPy 、 TensorFlow 和 CuPy ：

# Imports for ARRUS, Numpy, TensorFlow and CuPy
 import arrus
 import arrus.session
 import arrus.utils.imaging
 import arrus.utils.us4r
 import numpy as np
 from arrus.ops.us4r import (Scheme, Pulse, DataBufferSpec)
 from arrus.utils.imaging import ( Pipeline, Transpose,  BandpassFilter,  Decimation,  QuadratureDemodulation, EnvelopeDetection, LogCompression, Enqueue,  RxBeamformingImg,  ReconstructLri,  Sum,  Lambda,  Squeeze)
 from arrus.ops.imaging import ( PwiSequence )
 from arrus.utils.us4r import ( RemapToLogicalOrder )
 from arrus.utils.gui import ( Display2D )
 from utilities import RunForDlPackCapsule, Reshape
 import TensorFlow as tf
 import cupy as cp 

接下來，實例化 PWI Tx 和 Rx 序列。在PwiSequence函數(shù)中定義從 US4US 超聲系統(tǒng)提取的數(shù)據(jù)的參數(shù)。

seq = PwiSequence(
     angles=np.linspace(-5, 5, 7)*np.pi/180,# np.asarray([0])*np.pi/180,
     pulse=Pulse(center_frequency=6e6, n_periods=2, inverse=False),
     rx_sample_range=(0, 2048),
     downsampling_factor=2,
     speed_of_sound=1450,
     pri=200e-6,
     sri=20e-3,
     tgc_start=14,
     tgc_slope=2e2) 

定義序列后，加載深度學(xué)習(xí)模型參數(shù)。為此，您有兩個不同的深度神經(jīng)網(wǎng)絡(luò)選項，用于提高 B 模式圖像輸出質(zhì)量，都可通過 NGC 下載。

斯坦福大學(xué)研究人員的NN _模式利用波束形成低分辨率圖像（ LRI ）的神經(jīng)網(wǎng)絡(luò)生成去斑圖像。 LRI 是在單個合成孔徑傳輸之后創(chuàng)建的；在這種情況下，一個平面波將不均勻化。通過將 LRI 序列相干地相加，可以將其合成為高分辨率圖像（ HRI ）。

生成對抗網(wǎng)絡(luò)（ GANs ）模型用于模擬商業(yè)超聲系統(tǒng)中的 B 模式圖像后處理。該算法使用標(biāo)準(zhǔn)延遲和求和（ DAS ）重建和 B 模式后處理管道，并使用 MimickNet CycleGAN 。有關(guān)更多信息，請參閱模仿網(wǎng)絡(luò)，模仿黑箱約束下的臨床圖像后處理。

對于本例，您將加載 MimickNet CycleGAN 。除了加載權(quán)重外，您還實現(xiàn)了在下一步實現(xiàn)方案定義時所需的簡單normalize和mimicknet_predict包裝函數(shù)。

# Load MimickNet model weights
 model = tf.keras.models.load_model(model_weights)
 model.predict(np.zeros((1, z_size, x_size, 1), dtype=np.float32))
 
 def normalize(img):
     data = img-cp.min(img)
     data = data/cp.max(data)
     return data

 def mimicknet_predict(capsule):
     data = tf.experimental.dlpack.from_dlpack(capsule)
     result = model.predict_on_batch(data)
  
# Compensate a large variance of the image mean brightness.
     result = result-np.mean(result)
     result = result-np.min(result)
     result = result/np.max(result)
     return result 

您可以使用Scheme功能將所有部件組合在一起。Scheme功能獲取 tx / rx 序列定義的參數(shù)：輸出數(shù)據(jù)緩沖區(qū)、超聲波設(shè)備工作模式和數(shù)據(jù)處理管道。這些參數(shù)定義了數(shù)據(jù)采集、數(shù)據(jù)處理和顯示推斷結(jié)果的工作流。

下面的代碼示例顯示了Scheme定義，其中包括前面定義的序列、 MimickNet 預(yù)處理和推理包裝函數(shù)。 placement 參數(shù)表示處理管道在 Clara ： 0 上運行，它在 GPU AGX 開發(fā)工具包上提供 GPU 加速。

scheme = Scheme(
     tx_rx_sequence=seq,
     rx_buffer_size=2,
     output_buffer=DataBufferSpec(type="FIFO", n_elements=4),
     work_mode="HOST",
     processing=Pipeline(
         steps=(
             ...
             ReconstructLri(x_grid=x_grid, z_grid=z_grid),
             # Image preprocessing
             Lambda(normalize),
             Reshape(shape=(1, z_size, x_size, 1)),
             # Deep Learning inference wrapper
             RunForDlPackCapsule(mimicknet_predict)
             ...
             Enqueue(display_input_queue, block=False, ignore_full=True)
         ),
         placement="/GPU:0"
     )
 ) 

連接到 US4US 設(shè)備，上載方案序列，然后啟動顯示隊列。

     us4r = sess.get_device("/Us4R:0")
     us4r.set_hv_voltage(30)
 
     # Upload sequence on the us4r-lite device.
     buffer, const_metadata = sess.upload(scheme)
     display = Display2D(const_metadata, cmap="gray", value_range=(0.3, 0.9),
                         title="NNBmode", xlabel="Azimuth (mm)", ylabel="Depth (mm)",
                         show_colorbar=True, extent=extent)
     sess.start_scheme()
     display.start(display_input_queue)
     print("Display closed, stopping the script.") 

您的設(shè)備現(xiàn)在顯示超聲成像管道的結(jié)果。您還可以輕松地修改此管道，以實現(xiàn)自己最先進的深度學(xué)習(xí)算法。圖 5 顯示了演示中比較傳統(tǒng)延遲和求和算法（左）和模擬網(wǎng)絡(luò)模型（右）的示例輸出。

結(jié)論

Clara AGX 正在啟動軟件定義醫(yī)療儀器的時代，該儀器具有可重新配置的管道，而無需更改硬件。將 Clara AGX 開發(fā)工具包與 us4R 超聲波開發(fā)系統(tǒng)相連接，可以幫助您輕松快速地開發(fā)實時 AI 處理系統(tǒng)。憑借 RTX 6000 GPU 和 ARM CPU 的高性能，您可以充分利用嵌入式硬件生態(tài)系統(tǒng)來開發(fā)自己的最先進的特定于任務(wù)的算法。

關(guān)于作者

Marc Edgar 是 NVIDIA 的醫(yī)療設(shè)備高級聯(lián)盟經(jīng)理，幫助各種規(guī)模的醫(yī)療保健公司發(fā)展，以提高質(zhì)量、可負擔(dān)性和獲得醫(yī)療保健的機會。在加入 NVIDIA 之前，他在 General Ele CTR ic 工作了超過 25 年。他開發(fā)并商業(yè)化了許多 AI / ML 算法，并在醫(yī)療保健和工業(yè)領(lǐng)域擁有 16 項專利。

Sean Huver 博士是 NVIDIA Clara AGX 團隊的高級機器學(xué)習(xí)工程師，致力于在醫(yī)療初創(chuàng)企業(yè)、研究人員和制造商中采用人工智能。此前，肖恩是計算機視覺領(lǐng)域的初創(chuàng)公司創(chuàng)始人，也是國防部高級研究計劃局和其他國防部項目的研究科學(xué)家。肖恩擁有路易斯安那州立大學(xué)的量子光學(xué)物理學(xué)博士學(xué)位和加州大學(xué)洛杉磯分校的物理學(xué)學(xué)士學(xué)位。

Piotr Jarosik 在華沙工業(yè)大學(xué) Eel CTR 電子學(xué)和信息技術(shù)學(xué)院獲得了計算機科學(xué)學(xué)士學(xué)位和碩士學(xué)位。目前，他是 us4us 的軟件工程師和 IPPT PAN 的博士生。他的研究興趣包括機器學(xué)習(xí)和超聲數(shù)據(jù)處理。

Marcin Lewandowski 在研發(fā)、商業(yè)產(chǎn)品設(shè)計以及醫(yī)療器械開發(fā)和認證方面領(lǐng)導(dǎo)了許多項目。他獲得了物理學(xué)碩士學(xué)位和電子工程博士學(xué)位。他還在科學(xué)期刊上發(fā)表了大量關(guān)于超聲波的醫(yī)學(xué)和工業(yè)應(yīng)用的文章。在從事超聲波、電子和軟件開發(fā)的25年多時間里，Marcin一直致力于將其研究專業(yè)知識應(yīng)用于具有強大創(chuàng)新和商業(yè)化潛力的項目。今天，他在us4us有限公司（us4us Ltd.）擔(dān)任首席執(zhí)行官，為研究、生物醫(yī)學(xué)和工業(yè)應(yīng)用生產(chǎn)原始超聲波平臺，同時兼顧了他在科學(xué)領(lǐng)域的持續(xù)工作。

審核編輯：郭婷