读乐星空
55.04MB · 2025-09-24
尽管医学成像技术取得了进步，但许多医疗专业人员仍然无法在自己的办公室中使用诊断成像。Vortex Imaging是一家总部位于以色列的医学成像设备开发商，也是NVIDIA Inception计划的成员。
CT 和 MRI 扫描功能强大，但它们需要昂贵的基础设施，并且通常局限于医院环境或专用的诊断成像中心。超声波机器的便携性更高，但即使是最先进的系统也取决于操作者的技能，并且只能提供窄视野。因此，许多不在专门设施内的临床医生不得不将患者转诊到其他地方进行成像，从而延迟诊断和治疗。
Vortex 提供的设备 Vortex360 将易用性与先进的诊断功能相结合，以弥补这一差距。这款紧凑型探针的尺寸大致相当于游戏机的尺寸，便于在办公室内进行诊断。它可以停靠在约为高腰的推车中，以最小的占用空间将完整的影像带到护理点。
我们的产品依托简单易用的超声波、采用 NVIDIA Jetson 的边缘计算以及用于基于云的图像重建和后处理的 GPU，旨在满足从城市办公室、医院到农村社区等各种环境中工作的从业者的需求。
云计算的速度和可扩展性使其能够在短短几分钟内重建高质量的 3D 立体图像，从而随时随地为医生和患者提供诊断见解。
该产品的核心是内嵌 NVIDIA Jetson 的紧凑型超声波探头，可实现边缘计算。捕获图像数据的过程非常直观，只需几秒钟。捕获图像后，图像将上传到云端，由 GPU 加速的专有算法根据原始声学数据重建图像的标准化 3D 版本。
Vortex 系统背后的核心重建引擎由 Full Waveform Inversion (FWI) 提供动力支持，FWI 是一种基于物理的计算方法，最初用于地球物理勘探，例如为石油和天然气公司开发的地下成像。FWI 的工作原理是对整个声波场进行建模，从而重建高分辨率图像。
与依赖简化假设和部分数据的传统超声波不同，FWI 使用整个波场、振幅、相位，甚至是散射和多路径传播等复杂行为。这种全面的方法能够重建组织属性的定量地图 (例如音速、衰减和密度) ，从而提供可靠的临床有意义的信息。
虽然传统的 FWI 依赖于透射和反射数据，但我们开发了一种只需要反射数据集的方法。这允许使用简单的单侧探针进行高级波场重建，而无需移动或复杂的硬件。通过消除传输数据或探针运动的需求，医疗专业人员可以使用更紧凑、更低成本的设备生成高质量的图像。
FWI 需要大量计算来解决复杂的物理问题。在早期开发阶段，我们探索了基于 CPU 的架构作为潜在解决方案。但是，在内部基准测试中，这些替代方案的表现欠佳了 50x 到 100x，使其无法用于 3D 成像。
我们还认识到，FWI 中使用的迭代过程（使用基于梯度的优化来最大限度地减少模拟和观察到的波场之间的差异）类似于深度学习神经网络的训练过程。这种相似性使 FWI 非常适合 NVIDIA GPU，因为它们能够加速可并行的工作负载。因此，我们转而采用纯 GPU 架构，这一直是我们系统的基础。如今，我们的云平台由 GPU 提供支持，并通过我们专有的 CUDA 内核实现进行优化。
| 深度学习模型训练 | FWI 求解器 | |
| 目标 | 根据学习到的模型参数进行预测 | 介质物理属性的 3D 立体图像 (即。医学成像中的人体组织，或地球物理学中的地下层) |
| 输入数据 | 输入特征 (例如，image, text, signal) | 测量的传感器数据 (例如，ultrasound 或 seismic 接收信号) |
| 迭代核心运算 | 前向传递神经网络，然后进行梯度反向传播 | 通过建模介质进行Numerical acoustic wavefield propagation，然后通过梯度backpropagation |
| 估计参数 | 模型权重和偏差 (在训练过程中学习) | 对于 3D 体积中的每个体素：中等机械特性：speed of sound、密度、衰减和弹性 |
| 计算类型 | 矩阵运算和激活函数 | 用于 Laplacian 计算的模板 |
| 梯度使用 | 对模型权重和偏差进行干扰，以不断减少每次迭代中的损失 | 在每次迭代中，对voxel机械特性进行调整，以略微减少loss (sensor data misfit) |
| 损失函数 | 分类 (即 MSE) 、回归 (即 cross-entropy) 或专门化损失 (即 adversarial) | 观察到的传感器数据与建模后的传感器数据之间的差异 |
| 输出 | 经过训练的模型，可提供预测、评分或输出向量 | 介质的物理属性 (the optimized parameters) |
| 并行适用性 | 高，两种细粒度 (e.g. matrix operations) 和粗粒度 (e.g. batch parallelism) | 高，细粒度 (例如用于 Laplacian 的模板) 和粗粒度 (多种传输模式) |
| 为什么 NVIDIA GPU 是您的理想之选 | 加速张量和矩阵运算，为快速数据访问提供高内存带宽，跨多个 GPU 和节点扩展训练作业 | 模拟波场和计算介质与不拟合函数的梯度所需的重复和高度并行运算 |
表 1。深度学习模型训练与 FWI Solver 的比较。
边缘计算是我们架构不可或缺的一部分，可在数据采集期间实现设备端处理，而不会影响可移植性或能效。与之前仅使用 CPU 的解决方案相比，采用 NVIDIA Jetson 进行边缘部署后，我们的图像生成工作流的性能提高了 20 倍。这种性能飞跃对于直接支持护理点成像至关重要。
我们的使命之一是让 Medical Imaging变得更快、更方便、更容易获取，帮助该领域的从业者为患者取得积极的结果。
通过在云端使用边缘处理和可扩展的 GPU 计算，我们希望将传统的成像硬件转变为一种准确、可访问且经济实惠的新型设备。
Vortex 是 NVIDIA Inception 计划的成员。Inception 帮助我们确定了最适合的产品以及合适的工具和库，以帮助为我们的 edge-to-cloud 部署模型创建镜像。NVIDIA 继续支持我们使用 NVIDIA MONAI 开发先进的 AI 功能，同时还提供接触全球潜在客户和合作伙伴网络的机会。
如需详细了解我们对诊断成像的愿景，请访问 Vortex Imaging。
