Okosabb orvosi képalkotás

Az egészségügyi ellátás fejlesztése AMD Xilinx eszközökkel

Az egészségügyi ellátás folyamatosan fejlődik a technológiai fejlesztéseknek köszönhetően, amelyek képesek átalakítani a beteg­ellátást és az orvosi eljárásokat. Az orvosi képalkotás kulcsszerepet játszik, mivel részletes és nem invazív módon teszi láthatóvá az emberi test belső struktúráit és funkcióit. Legyen szó röntgenkészülékekről, MRI-szkennerekről vagy kézi diagnosztikai eszközökről, ezen alkalmazások összetett és valós idejű jellege gyakran nagy teljesítményű számítástechnikai megoldásokat igényel, és nagymértékben támaszkodik a field-programmable gate array (FPGA) -alapú system-on-chipekre (SoC).

Ez a cikk azt vizsgálja, hogy az AMD Zynq™ UltraScale+™ multiprocesszoros SoC-ek (MPSoC-ek) hogyan egyesítik az FPGA struktúrát az ARM-magokkal, hogyan alkalmazzák ezeket napjainkban az orvosi képalkotásban, valamint a mesterséges intelligenciát (AI) az intelligensebb orvosi képalkotó rendszerekhez.
Amint az 1. ábrán látható, a Zynq™ UltraScale+™ EG Quad Arm Cortex-A53 alkalmazásprocesszort, Dual Arm Cortex-R5F valós idejű processzort és Arm Mali-400 MP2 GPU-t integrál 16 nm-es FinFET programozható logikával. Az eszközök újrakonfigurálhatósága lehetőséget nyújt a folyamatos alkalmazkodásra, új interfésztechnológiák hozzáadására, még a termék kifejlesztése után is.

1. ábra Zynq™ UltraScale+™ EG termékcsalád – a következő generációs orvosi képalkotó alkalmazásokhoz (Forrás: AMD)

Az orvosi képalkotás ma

Az orvosi képalkotás sokoldalú eszközökkel segíti az egészségügyi szakembereket az egészségügyi állapotok széles körének diagnosztizálásában, monitorozásában és kezelésében. Talán a legismertebb ezek közül a diagnosztikai radiológia, a röntgengép, amelyet csonttörések kimutatására használnak. A szülészeti és nőgyógyászati osztályokon ultrahangos képalkotást alkalmaznak a terhességek nyomon követésére és a reproduktív rendszer különböző állapotainak diagnosztizálására. A számítógépes tomográfiát (CT) és a mágneses rezonancia képalkotó szkennereket (MRI) különféle onkológiai (rák), kardiológiai (szív), gasztroenterológiai (emésztőrendszeri) és neurológiai (agyi) állapotok megjelenítésére, diagnosztizálására és monitorozására használják.

2. ábra MRI-készülék

Közös vonások az orvosi képalkotásban

• A prototípustól a gyakorlati alkalmazásig végbemenő evolúció a hardverkonfigurációk jelentős átalakulását vonja maga után. Az endoszkópos teszteknél és a sebészeti irányítási rendszereknél a kezdeti prototípusok videó GPU-kat, frame grabber rög­zítő­kár­tyákat és terjedelmes kamerákat alkalmaznak a rendszer betanítására és az algoritmusok érvényesítésére. A gyakorlati használatra való áttérés során, a sebészeti használathoz ezeket a funkciókat át kell helyezni egy kisebb, esetleg akkumulátorral működő kártyára, és integrálni kell egy Zynq™ UltraScale+™ MPSoC-et a hatékony számításokhoz, a kamera­feldolgozáshoz, a videófunkciókhoz, a felhasználói felülethez és egyéb szoftverekhez.
• Az in vitro optikai vizsgálatok keretében az energiahatékonyság elsőbbséget élvez az adatfeldolgozási mennyiséggel szemben. A MIPI-n, LVDS-en, Camera Linken, SDI-n és PHY-n keresztül csatlakoztatott négy kamera, valamint léptetőmotorok, LED-lámpák és expozíciós megvilágítási meghajtók segítségével a rendszer az egyszerűsített működésre összpontosít. A kettős Ethernet-kapcsolat kiküszöböli az útválasztó szükségességét, így a felhasználó hálózatától független helyi hálózatot hoz létre.
• Csatlakozás a külvilághoz, a hálózathoz vagy vezeték nélküli kapcsolat egy kézi kijelzőhöz – a kamera, az érzékelők, valamint a biztonsági kritériumok teljesítésének szükségessége, hogy ne veszélyeztessük a betegeket. Fontos az energiahatékonyság, mert a rendszer általában akkumulátorról működik, vagy korlátozott a fali áramfogyasztás. Kritikus a megbízhatóság, hogy meddig kell stabilnak lennie, és mennyire lesz kiszámítható az eredmény. Mivel ezen rendszerek közül sok a betegek tájékoztatásával foglalkozik, a biztonság kulcsfontosságú.
• Valós idejű összetevő, például egy sebész vezetése a műtőben. Nem fordulhat elő késleltetés, hogy a rendszer akár 30 képkockát késleltessen, és a sebész várakozzon arra, hogy lássa, mit csinál valójában a keze.

3. ábra Orvosi felvételeket elemző sebész

Hogyan kezdjünk hozzá egy projekt építéséhez, ha ismerjük ezeket a közös kritériumokat?

Az alapvető képfeldolgozási folyamat egy kamerával kezdődik, amely némi zajszűrést igényel, aztán történik rajta némi mintafelismerés és jellemzőkivonatolás, majd különböző érzékelőkből származó adatok következnek, amelyek sávszűrőn keresztül igényelnek némi feldolgozást, végül pedig az adatokat valamilyen módon kombinálják és számításokat végeznek a következtetések meghozásához.
A nagy teljesítményű Zynq™ UltraScale+™ MPSoC-ekkel, a gyorsított adatfeldolgozás és a rengeteg bemeneti/kimeneti (IO) képesség révén számos nagy sávszélességű érzékelő csatlakoztatható és integrálható a képalkotó rendszerbe. A valós idejű képfelismerés és elemzés képességét az ARM-processzor egy objektumészlelést futtató alkalmazása és az objektumokról valós idejű listát létrehozó FPGA-struktúra közötti szoros integráció teszi lehetővé.
A legfontosabb előny a nagyon nagy képkockasebességű felismerés és analitika integrálása, amit a masszív párhuzamosság tesz lehetővé – a probléma kisebb részekre bontásának képessége, és mindezek egyszerre történő feldolgozása, ami a Zynq™ Ultrascale+™ MPSoC-ek egyértelmű előnye. A skálázható ér­zékelőfúzió képes támogatni a sztereó és az N-vision műveletsorozatokat és a különböző érzékelőtípusokat.
A skálázható szenzorfúzió, a Zynq™ UltraScale+™ MPSoC a piacon létező alternatív termékekhez képest – különösen, ha a számításigényes algoritmusokat nézzük, amelyeket a valós idejű támogatáshoz kell megvalósítani – a legmagasabb wattonkénti tel­jesítményt nyújtja. Ez az energiahatékonyság elengedhetetlen a hordozható berendezések hosszabb akkumulátor-élettartamához.
A teljesen programozható platform másik határozott előnye az újrafelhasználás – a meglévő terv újrahasznosításának és egy nagyobb vagy kisebb eszközre való átdolgozásának lehetősége. A Zynq™ UltraScale+™ MPSoC több változattal rendelkezik, köztük kétmagos, négymagos és videókódolós változatokkal, amelyek mindegyike a különböző alkalmazási igényekhez igazodik. Ez a rugalmasság lehetővé teszi a márkabővítéseket a meglévő megoldások új piacokra történő kiterjesztésével, illetve a meglévő termékek high-end vagy alacsonyabb árkategóriájú változatainak létrehozásával.
Az eszközök tervezése az egy-chipes biztonságra és az adatvédelemre összpontosít, amelyek kritikusak az egészségügyi környezetben, ahol az adatvédelem kiemelkedő fontosságú, és a szabályozási előírásoknak való megfelelés szigorú. Az ARM TrustZone és TRUST megfelelőség – a manipuláció elleni védelem és információbiztonság – az orvosi képalkotás területén nagymértékben kihasználható.
A számítógépes látási technikák hagyományosan nyílt forráskódú könyvtárakat, például az OpenCV-t és az OpenVX-et használják a termelékenység javítására, az optikai áramlást a mozgásérzékelés javítására, valamint a 3D vagy sztereó látást a mélységérzékelés javítására.
A hagyományos számítógépes látási technikákra épülő gépi tanulási technikák megjelenése jobb felismerési képességet ígér. A tárgyak felismerése és osztályozása ma már különböző típusú neurális hálózatokon keresztül történhet, beleértve a konvolúciós (CNN), mély (DNN) és rekurzív (RNN) neurális hálózatokat.

A gépi tanulás alkalmazása

A gépi tanulási algoritmus fejlesztése esetén, először is rengeteg adattal kell betanítani az algoritmust. A modell kialakítása és fejlesztése nagy teljesítményű számítástechnikai (HPC) eszközökkel történik, jellemzően olyanokkal, amelyek kettős pontosságú lebegőpontos egységeket (double precision floating point units – DPfpu) használnak, ilyenek például az általános célú GPU-k (GPGPU-k).
Betanítása után a modell egy beágyazott rendszerben kerül telepítésre, az előtte lévő környezetből következtetve. Ez hatékony feldolgozást igényel – de nincs szükség olyan precizitásra, mint a képzéshez.

• Az első lépés a meghatározási szakasz, amely a problématerületet és a használni kívánt technológiákat vizsgálja. Ebben a fázisban sok az algoritmikus tervezés – „Mit fogunk építeni, és működik-e ez a gyakorlatban?”
• A második lépés a prototípus megépítése, amihez több értékelőlap, hordozó kártya és analóg lapok összekapcsolását kell elvégezni. Egy másik érdekes módja a prototípusrendszer felépítésének, hogy egy Zynq™ UltraScale+™ MPSoC-et használunk, és azt PCIe 3.0-n keresztül csatlakoztatjuk egy PC-hez. Egy ismerős rendszert kapunk, az összes szoftvert lefordíthatjuk és futtathatjuk rajta, miközben a MATLAB is fut mellette. Kiértékelhető, hogyan fog működni a rendszer a végtermékben.

A prototípusgyártási szakasz után megkezdődhet a hardvergyártás, és ha mindez megtörtént, megvan a végtermék vagy az első teszt.

4. ábra Fejlett sebészeti robot

Jövőbeli egészségügyi ellátás

Az egészségügyi ellátás jövőjében az FPGA-k kulcsfontosságú szerepet játszanak majd az orvosi képességek, eszköztár fejlesztésében. Az egyik legfontosabb alkalmazás a kifinomult mesterséges­intelligencia-algoritmusok futtatása a betegségek előrejelzésére, az adathalmazok mintáinak felismerésére, a rákos sejtek azonosítására a szöveti képeken, valamint a kiterjedt múltbeli adatokon alapuló kezelések ajánlására.
A genomelemzés és az FPGA-k integrációja lehetővé teszi továbbá az egyes betegek egyedi genetikai felépítéséhez igazított, személyre szabott kezelések kifejlesztését. Az orvosi dolgok internetének (IoMT) megjelenése tovább bővíti az FPGA-k hasznosságát, lehetővé téve az orvosi eszközök számára az egészségügyi állapotok korai jeleinek észlelését és a sebészeti beavatkozások során a valós idejű adatfeldolgozás megkönnyítését.
Az FPGA-technológia alkalmazása a sebészeti robotokban és az agy-számítógép interfész (BCI) rendszerekben ráadásul az egészségügyben is átalakító határt jelent, mivel nagyobb pontosságot és valós idejű reakciókészséget ígér az orvosi beavatkozásokban.

Következtetés

Az AMD Zynq™ UltraScale+™ MPSoC-ek lenyűgöző megoldást kínálnak a feltörekvő intelligens egészségügyi technológiákhoz és eljárásokhoz. Nagy teljesítményükkel, energiahatékonyságukkal, robusztus biztonsági funkcióikkal és testreszabási képességeikkel elsődleges választásként merülnek fel a különféle orvosi alkalmazásokban. Lehetőségeik képesek forradalmasítani az egészségügyet olyan területeken, mint az újszerű betegkezelések és diagnosztika. Ezen eszközök hozzájárulnak az orvosi folyamatok pontosságához, gyorsaságához és hatékonyságához, ami végső soron az egészségügyi gyakorlatok jelentős javulását eredményezi.

További információ: ebv.com/amd-healthcare-solutions

Az EBV Elektronik – mint vezető félvezető-forgalmazó Európában – széles gyártói portfóliójából a legújabb alkatrészek és félvezető-megoldások teljes és folyamatos ellátását garantálja. Vegye fel a kapcsolatot az EBV technológiai és piaci szakértőivel, hogy az alkalmazásaihoz az optimális megoldást választhassa!

Több mint disztribúció – EBV Elektronik!

EBV Elektronik Kft.
1117 Budapest, Budafoki út 91–93.
West Irodaház
Tel.: +36 1 436 7229
www.ebv.com