華盛頓大學的研究團隊正在為傳統的磁共振成像儀注入基于GPU的深度學習技術，從而能夠以更低的醫療成本獲得更詳細的血管造影成像，造福更多的低收入患者。

本文為介紹NVIDIA 2018年度全球影響力大獎（NVIDIA’s 2018 Global Impact Award）四位入圍者的系列文章之一。NVIDIA每年都會頒發20萬美元，以獎勵利用NVIDIA技術在解決社會、人道主義與環境問題上取得突破性進展的研究人員。

近年來，磁共振成像儀的升級版——磁共振血管造影機（MRA），也隆重登臺。MRA設備功能強大，能夠生成更詳細的血管圖像，因此能夠檢測到動脈瘤及其他危及生命的病情。

如今，研究人員將深度學習引入MRI數據，以模擬MRA設備的結果。其研究成果有望降低醫療成像的成本，同時讓醫院能夠獲得最新的技術、以及最佳的成像質量。對于那些無法負擔MRA儀器高昂成本的醫院，尤其是遠在農村地區或新興市場的醫院，這無疑成了它們的福音。

華盛頓大學眼科學助理教授Aaron Lee及其團隊對深度學習模型進行了訓練，使其能夠基于MRI和OCT（光學相干斷層掃描）儀器的單次結構化圖像進行推理，從而分別進行血管造影成像。

Lee表示，采用AI技術進行醫療影像合成的研究在業界也是頗具開創性的，諸多血管疾病的病情評估也能夠得以更廣地應用。

“只要拍一張照片就能從中做出推斷，這樣的創想真令人難以置信，”Lee在談到新技術推動舊儀器發展時這樣說道。

成像應用中的AI

研究人員使用算法在OCT和OCTA圖像之間、以及MRI和MRA圖像之間進行映射，這些工作均有賴于GPU加速的深度學習才得以實現。

華盛頓大學研究團隊所用的方法還有望應用于醫學圖像庫，這將更加易于各類疾病的篩查。

憑借這一成就，Lee及其團隊成功入圍NVIDIA 2018年度全球影響力大獎（Global Impact Award），同時入圍的還有其他三支團隊。該獎項每年都會頒發20萬美元，以獎勵利用NVIDIA技術在解決社會、人道主義與環境問題上取得突破性進展的研究人員。

成像應用中的GPU

華盛頓大學的團隊擁有近2TB的數據，但缺乏相應的運算能力來運行其算法。 Lee表示，使用CPU需要數年時間才能完成數據集的處理任務。

應用于計算機視覺領域的深度學習不斷進展，諸多領域都受益于GPU的應用，研究人員得以開始處理其數據集。該團隊采用了Pascal架構的NVIDIA GPU來大幅加速大型深度卷積神經網絡的訓練。

“GPU讓我們能夠快速完成深度學習所需的代數運算，”Lee說道。

華盛頓大學的研究人員還采用了配備NVIDIA Tesla P100 GPU加速器的服務器。

2018年度全球影響力大獎的其他入圍者還包括普林斯頓大學、麻省總醫院和馬拉加大學的研究團隊。NVIDIA將于太平洋時間3月26日至29日在硅谷舉辦的GPU技術大會上揭曉2018年度全球影響力大獎的獲獎者。