Tıbbi görüntülemedeki gelişmelere rağmen, birçok sağlık profesyonelinin ofislerinde tanı görüntülemesine erişimi bulunmamaktadır. İsrail merkezli bir tıbbi görüntüleme cihazı geliştiricisi olan Vortex Imaging, bu duruma çözüm sunmaktadır. Vortex, NVIDIA Inception programının bir üyesidir.
BT (bilgisayarlı tomografi) ve MR (manyetik rezonans) taramaları etkileyici olsa da, bunlar genellikle yüksek maliyetli altyapılar gerektirir ve genellikle hastane ortamlarında veya özel tanı görüntüleme merkezlerinde kullanılmaktadır. Ultrasound makineleri daha taşınabilir olsa da, en gelişmiş sistemler bile kullanıcının becerisine bağlı kalmakta ve yalnızca dar bir görüş açısı sunmaktadır. Bu nedenle, uzmanlaşmış tesisler dışındaki pek çok klinisyen, hastaları başka bir yerde görüntüleme için yönlendirmek zorunda kalmakta, bu da tanı ve tedavi sürecini geciktirmektedir.
Vortex360: Taşınabilir ve Gelişmiş Tanı Seçeneği
Vortex, bu açığı kapatmak amacıyla Vortex360 adını verdiği bir cihaz geliştirmiştir. Oyun konsolu boyutlarında olan bu kompakt prob, ofis içi tanılar için kolay bir kullanımı sağlamaktadır. Belirli bir alana minimal boyutla tam görüntü sağlamak adına, bel hizasında bir arabaya dock edilebilmektedir.
Ultrason teknolojisinin basitliğinden faydalanarak, NVIDIA Jetson ile kenar hesaplama ve bulut tabanlı görüntü yeniden yapılandırma için GPU’lar kullanan bu ürün, şehir ofislerinden hastanelere ve kırsal topluluklara kadar her ortamda çalışmak için tasarlanmıştır.
Elinizin Altında Güçlü Görüntüleme
Bulut bilişimin hızı ve ölçeklenebilirliği, yüksek kaliteli 3D hacimsel görüntülerin sadece birkaç dakika içinde yeniden yapılandırılmasını mümkün kılmakta ve bu sayede doktorlara ve hastalara ihtiyaç duydukları tanı bilgilerini sunmaktadır.
Bu ürünü oluşturan temel bileşen, NVIDIA Jetson ile donatılmış kompakt bir ultrason probudur. Görüntü verilerini yakalama işlemi sezgisel olup yalnızca birkaç saniye sürmektedir. Bir görüntü yakalandıktan sonra, buluta yüklenir ve burada özel algoritmalar—GPU’lar tarafından hızlandırılmış—ham akustik veriden standartlaştırılmış bir 3D versiyonunu yeniden yapılandırır.
Gelişmiş Görüntü Yeniden Yapılandırma
Vortex sistemi arkasındaki temel yeniden yapılandırma motoru, jeofizik keşifler için geliştirilen Full Waveform Inversion (FWI) adlı fiziksel temelli bir hesaplama yöntemine dayanmaktadır. FWI, tüm akustik dalga alanını modelleyerek yüksek çözünürlüklü görüntüler yeniden yapılandırır.
Geleneksel ultrason, basit varsayımlara ve kısmi verilere dayanırken, FWI tüm dalga alanlarının, amplitüdlerin, fazların ve hatta yayılma gibi karmaşık davranışların tümünü kullanır. Bu kapsamlı yaklaşım, ses hızı, zayıflama ve yoğunluk gibi doku özelliklerinin niceliksel haritalarını yeniden yapılandırmayı mümkün kılarak güvenilir bir klinik bilgi sunar.
FWI, hem iletim hem de yansıma verilerini gerektiren geleneksel süreçlerin yerine, sadece yansıma veri setlerini kullanacak bir yöntem geliştirdik. Bu yaklaşım, tıbbi uzmanların hareket veya karmaşık donanım gerektirmeden, daha kompakt ve düşük maliyetli bir cihaz kullanarak yüksek kaliteli görüntüler elde etmelerini sağlar.
FWI’nin karmaşık fiziksel problemleri çözmek için önemli bir hesaplama gücüne ihtiyaç vardır. Geliştirme aşamalarımızda, bu tür sorunlar için CPU tabanlı mimarileri keşfettik. Ancak bu alternatifler, iç testlerde 50x ila 100x oranında daha düşük performans gösterdi ve bu da 3D görüntüleme için pratik kılmadı.
FWI’de kullanılan iteratif süreç, derin öğrenme sinir ağlarının eğitim sürecine benzemektedir. Bu benzerlik, FWI’nin NVIDIA GPU’ları için doğal bir uyum sergilemesini sağlıyor, çünkü GPU’lar paralel çalışmayı hızlandırma konusunda oldukça etkilidir. Bu nedenle, sistemimiz için tamamen GPU bazlı bir mimariye geçiş yaptık. Günümüzde bulut platformumuz, GPU’lar tarafından desteklenmekte ve özel CUDA çekirdeklerimiz ile optimize edilmektedir.
| Derin öğrenme modeli eğitimi | FWI çözücüsü | |
| Hedef | Öğrenilmiş model parametrelerine dayalı tahminler yapmak | Fiziksel özelliklere sahip 3D hacimsel bir görüntü (örneğin, tıbbi görüntülemede insan dokusu, jeofizikte yer altı) |
| Girdi verisi | Girdi özellikleri (örneğin, görüntü, metin, sinyal) | Ölçülen sensör verileri (örneğin, ultrason ya da sismik alınan sinyaller) |
| İteratif temel işlem | Bir sinir ağında ileri geçiş, ardından gradyan geri yayılımı | Modellenmiş ortamda sayısal akustik dalga yayılımı, ardından gradyan geri yayılımı |
| Tahmin edilen parametreler | Eğitim sırasında öğrenilen model ağırlıkları ve biaslar | 3D hacimdeki her voxel için ortam mekanik özellikleri: ses hızı, yoğunluk, zayıflama ve elastikiyet |
| Hesaplama türü | Matriks işlemleri ve aktivasyon fonksiyonları | Laplasyen hesaplama stencil’i |
| Gradyanın kullanımı | Her iterasyonda kaybı sürekli olarak azaltmak için model ağırlıklarını ve biasları değiştirmek | Her iterasyonda ses verisi uyumsuzluğunu azaltmak için voxel mekanik özelliklerini değiştirmek |
| Kayıp fonksiyonu | Sınıflandırma (örneğin, MSE), regresyon (örneğin, çapraz entropi) veya özel kayıplar (örneğin, karşıt) | Gözlemlenen ve modellenen sensör verileri arasındaki fark |
| Çıktı | Tahmin, skor veya çıktı vektörü sağlayabilen eğitilmiş model | Ortamın fiziksel özellikleri (optimize edilmiş parametreler) |
| Paralellik uygunluğu | Yüksek, hem ince taneli (örneğin, matris işlemleri) hem de kaba taneli (örneğin, grup paralelliği) | |
| NVIDIA GPU’ların Uygunluğu | Tensor ve matris işlemlerini hızlandırma; hızlı veri erişimi için yüksek bellek bant genişliği; eğitimi birden fazla GPU ve düğüm arasında ölçekleme | Dalgayı simüle etmek ve ortamın gradyanını hesaplamak için gereken tekrarlayıcı ve yüksek derecede paralelleştirilebilir işlemler |
Tablo 1. Derin öğrenme model eğitimi ile FWI Çözücüsü arasındaki karşılaştırma.
Veri Alımı için Kenar Hesaplama
Kenar hesaplama, veri alımı sırasında cihaz içi işlemeyi mümkün kılarak, taşınabilirliği ve enerji verimliliğini korumada önemli bir rol oynamaktadır. Kenar dağıtımı için NVIDIA Jetson kullanımı sayesinde, görüntü oluşturma hattımızda önceki CPU tabanlı çözümlere göre 20 kat performans artışı sağlanmıştır. Bu performans artışı, görüntülemenin doğrudan bakım noktasında desteklenmesi için kritik öneme sahiptir.
Görüntülemeyi Genişletme
Vortex’in misyonunun bir parçası, tıbbi görüntülemeyi daha hızlı, daha kullanışlı ve daha erişilebilir hale getirerek, alandaki uygulayıcıların hastaları için olumlu sonuçlar elde etmelerine yardımcı olmaktır.
- Poliklinik içi tanılama: Cihaz, kliniklerin hastaların ziyaretleri sırasında görüntüleme yapmalarına olanak tanıyarak, yönlendirme gecikmelerini ortadan kaldırır ve karar alma sürecini hızlandırır.
- Kırsal ve uzak bakım: Minimum operatör eğitimi gerektiren sistem, yetersiz hizmet alan veya ulaşılması zor bölgelerde ideal bir çözüm sunar.
- Yapay zeka uyumlu veriler: Sistem tarafından üretilen standartlaştırılmış, yüksek kaliteli veri setleri operatör bağımsızdır ve klinik karar verme sürecini desteklemek için AI araçlarının eğitimi ve dağıtılması için idealdir. Etkili AI modellerinin temeli, büyük hacimlerde tutarlı, güvenilir ve etiketlenmiş verilere erişimdir; Vortex’in farklı bakım ortamlarında çalışabilmesi, daha geniş veri toplama imkânı tanır ve model geliştirme ve performansını hızlandırır.
Tanı Alanında Geleceği Şekillendirme
Kenarda işleme ve ölçeklenebilir GPU hesaplamaları kullanarak, geleneksel görüntüleme donanımını doğru, erişilebilir ve uygun maliyetli bir cihaz sınıfına dönüştürmeyi umuyoruz.
Vortex, NVIDIA Inception programının bir üyesidir. Bu program, en uygun ürünleri ve kenar-bulut dağıtım modelimizi destekleyecek doğru araçları ve kütüphaneleri belirlememize yardımcı olmuştur. NVIDIA, NVIDIA MONAI’yi kullanarak gelişmiş AI destekli özelliklerin geliştirilmesini desteklemekte ve potansiyel müşteriler ve ortaklar ile global bir ağ sunmaktadır.
Daha fazla bilgi için Vortex Imaging‘i ziyaret edebilirsiniz.
