幾個世紀以來，醫生都試圖借助更好的醫療工具來深入檢查病人的身體狀況，讓他們遠離病痛的折磨。CT掃描、3D超聲和MRI（磁共振成像）等診斷成像技術在醫學上的運用已經幫助挽救了數百萬人的生命。如今，GPU及由其驅動的深度學習技術正在為智能醫學儀器打開一扇全新的大門。

智能醫學儀器其實都是可運行復雜數學運算的計算機，將傳感器捕捉的信號轉化為2D和3D圖像以供醫生讀取。醫生們除了要求這些儀器能夠安全、簡便地運行，還希望能夠提高生成圖像的分辨率和保真度。

基于Volta架構的GPU加快信號和算法的處理速度

如今，醫生們的訴求成為了可能。憑借大規模并行計算能力，NVIDIA基于Volta架構的GPU能夠高速處理信號和成像算法。

在深度學習神經網絡處理方面，借助全新的NVIDIA Volta GPU，嵌入式人工智能計算機可以每秒進行320萬億次操作，并且運行功耗不超過500瓦。這相當于使用原來1/60的功耗實現60個CPU服務器節點的性能。

深度學習、NVIDIA GPU計算和醫學成像的結合開啟了智能醫療儀器的新時代。通過使用NVIDIA GPU，眾多診斷成像領域的先驅已經在醫學成像領域的各個主要環節取得了令人驚艷的成果。

全新的圖像重建深度學習框架

圖像重建是將數據采集階段獲取的信號轉化為圖像的過程。

在過去十年間，人類在信號處理算法方面取得多項進展，不僅提高了重建CT圖像的質量，還將 X 光的用量減少了將近 80%。GE Healthcare全新推出的Revolution Frontier CT就在使用NVIDIA GPU來進行超級計算，用以處理復雜的重建算法。

來自麻省總醫院、A.A.Martinos生物醫學成像中心和哈佛大學的研究人員開發了一種全新的名為“AUTOMAP”的圖像重建深度學習框架。

傳統的圖像重建需要使用離散變換和各種過濾算法，并在實施時使用手動信號處理。而AUTOMAP則使用統一的圖像重建框架取代了這種方法，無需任何專業知識就可以學習傳感器與圖像域之間的重建關系。

左邊為傳統圖像重建，右邊為AUTOMAP新型框架。

除了重建外，醫學成像的圖像處理階段還包括檢查、分類和分割。

用于3D分割的立體卷積神經網絡

慕尼黑工業大學、慕尼黑大學和約翰·霍普金斯大學的研究人員開發了一種名為“V-net”的立體卷積神經網絡，可執行前列腺MRI數據的3D分割。在此過程中，系統會對需要注意的器官進行劃分，對3D圖像中器官的每個體素進行分類并分配相同的標簽。

通過執行立體分割以處理3D數據的完全卷積神經網絡示意圖。

V-net在描繪前列腺狀況的MRI圖像體上接受端到端的訓練，學習一次便可預測整體的分割。V-net 分割圖像中會存在數百萬個3D體素，訓練其中每一個體素都需要大量的計算，因此這個團隊使用了NVIDIA GPU。

如今，醫生們無需嘗試分析多張2D圖像，僅使用立體渲染即可生成全方位3D圖像。通過功能強大的NVIDIA GPU，醫生可以從不同角度控制并查看圖像，以更好地了解解剖結構的空間關系。

使用電影渲染實現解剖結構可視化

在約翰·霍普金斯大學，Elliot Fishman博士和Siemens的研究人員開發了一種名為“電影渲染”的新方法，使用基于物理性質的光擴散模擬，以生成逼真的人體圖像。電影渲染受到了電腦動畫電影中使用的計算機繪圖和GPU技術的啟發，使用全局照明，通過數千條直接和間接光線制作出一張逼真的圖像。

電影渲染可以生成逼真的圖像，這些圖像有可能更準確地描繪解剖細節和復雜的解剖結構。“電影渲染：原理、應用和在CT中的觀察結果”，

通過這些令人驚艷的圖像，放射科醫生可以識別出細微的紋理變化和周圍解剖結構的空間關系。另外，Fishman博士和霍普金斯的團隊正在研究深度學習算法是否可以從電影渲染的圖像保真度中獲益。

實現新一輪的成果突破

NVIDIA GPU計算和深度學習將帶來新一輪的成果突破，提高圖像保真度、降低放射量并進一步實現微型化。

通過NVIDIA GPU，未來的醫學成像系統將成為小型人工智能超級計算機。它能夠賦予醫生超人般的透視能力，讓醫生即時查找和重點關注需要注意的解剖區域。

早期檢測往往是治愈疾病的關鍵，而這些智能醫學儀器正在不斷增強早期檢測的成效，拯救越來越多人的生命。