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。