解锁AI技能:华盛顿大学研究团队为磁共振成像注入深度学习技术

华盛顿大学的研究团队正在为传统的磁共振成像仪注入基于GPU的深度学习技术,从而能够以更低的医疗成本获得更详细的血管造影成像,造福更多的低收入患者。

本文为介绍NVIDIA 2018年度全球影响力大奖(NVIDIA’s 2018 Global Impact Award)四位入围者的系列文章之一。NVIDIA每年都会颁发20万美元,以奖励利用NVIDIA技术在解决社会、人道主义与环境问题上取得突破性进展的研究人员。

近年来,磁共振成像仪的升级版——磁共振血管造影机(MRA),也隆重登台。MRA设备功能强大,能够生成更详细的血管图像,因此能够检测到动脉瘤及其他危及生命的病情。

如今,研究人员将深度学习引入MRI数据,以模拟MRA设备的结果。其研究成果有望降低医疗成像的成本,同时让医院能够获得最新的技术、以及最佳的成像质量。对于那些无法负担MRA仪器高昂成本的医院,尤其是远在农村地区或新兴市场的医院,这无疑成了它们的福音。

华盛顿大学眼科学助理教授Aaron Lee及其团队对深度学习模型进行了训练,使其能够基于MRI和OCT(光学相干断层扫描)仪器的单次结构化图像进行推理,从而分别进行血管造影成像。

Lee表示,采用AI技术进行医疗影像合成的研究在业界也是颇具开创性的,诸多血管疾病的病情评估也能够得以更广地应用。

“只要拍一张照片就能从中做出推断,这样的创想真令人难以置信,”Lee在谈到新技术推动旧仪器发展时这样说道。

成像应用中的AI

研究人员使用算法在OCT和OCTA图像之间、以及MRI和MRA图像之间进行映射,这些工作均有赖于GPU加速的深度学习才得以实现。

华盛顿大学研究团队所用的方法还有望应用于医学图像库,这将更加易于各类疾病的筛查。

凭借这一成就,Lee及其团队成功入围NVIDIA 2018年度全球影响力大奖(Global Impact Award),同时入围的还有其他三支团队。该奖项每年都会颁发20万美元,以奖励利用NVIDIA技术在解决社会、人道主义与环境问题上取得突破性进展的研究人员。

成像应用中的GPU

华盛顿大学的团队拥有近2TB的数据,但缺乏相应的运算能力来运行其算法。 Lee表示,使用CPU需要数年时间才能完成数据集的处理任务。

应用于计算机视觉领域的深度学习不断进展,诸多领域都受益于GPU的应用,研究人员得以开始处理其数据集。该团队采用了Pascal架构的NVIDIA GPU来大幅加速大型深度卷积神经网络的训练。

“GPU让我们能够快速完成深度学习所需的代数运算,”Lee说道。

华盛顿大学的研究人员还采用了配备NVIDIA Tesla P100 GPU加速器的服务器。

2018年度全球影响力大奖的其他入围者还包括普林斯顿大学、麻省总医院和马拉加大学的研究团队。NVIDIA将于太平洋时间3月26日至29日在硅谷举办的GPU技术大会上揭晓2018年度全球影响力大奖的获奖者。

Similar Stories