計算機行業報告：“AI+醫學影像”風口將至平臺分成與技術授權各具潛力-171122（40頁）.pdf

《計算機行業報告：“AI+醫學影像”風口將至平臺分成與技術授權各具潛力-171122（40頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業報告：“AI+醫學影像”風口將至平臺分成與技術授權各具潛力-171122（40頁）.pdf（40頁珍藏版）》請在三個皮匠報告上搜索。

1、早期醫療圖像診斷設備大多是采用 FPGA 處理器進行運算，低功耗優勢顯著。過去一般使用 MCU 或 DSP 來處理醫療圖像，由于 MCU 和 DSP 都是串行器件，開發人員需要使用 FPGA 來進行硬件加速以獲得醫療成像應用所需的處理能力和清晰度，FPGA 能處理圖像算法里大規模的并行處理需求。目前國內也有一些企業利用 FPGA+深度學習技術，實現醫學影像智能診斷，例如醫學影像 AI 企業健培科技自主研發了基于 FPGA 架構的影像分析，在滿足性能要求的前提下具備低功耗的優勢。GPU 作為高性能計算機集群協處理器，峰值性能優于 FPGA，在醫學影像領域應用也越來越廣泛。隨著運算量的大幅度增加，

2、FPGA 已難以應付，引入擅長于并行運算的 GPU 進行協運算非常必要，醫療成像是較早利用 GPU 通用計算能力加快性能的商業應用之一。越來越多 CT 機、超聲波診斷設備搭載了 NVIDIA 的 GPU，CT、MRI、超聲波、內窺鏡、病理影像診斷中均可用到 GPU 協運算。在一些醫療影像應用中，計算機需要處理大量的高精度 CT 或者MRI 圖像?；颊咝枰焖?、精確并且舒適的診斷，而醫生則需要能夠實現高效診斷的工具。將龐大的服務器陣列引入臨床設備非常困難，但 GPU 和 Tesla 的強大計算能力使得提供小型的并行計算模塊成為可能。GPU 的通用計算性能，能夠讓科研人員以比處理器快數十倍甚至上百

3、倍的速度處理圖像。因此，醫生能夠實現實時查看 CT 和 MRI 的 3D 合成圖像，或者在不損失檢查影像畫質的情況下能夠使系統更快地運行。通過這些快速得到的結果，醫生能夠檢查病患組織的狀態并做出診斷，而無需活體檢查和外科處理。系統的深度學習能力提升需要經過相當數量和質量的數據訓練，深度學習算法的魯棒性、泛化能力大小很大程度取決于數據訓練的量級。數據質量更是人工智能計算和學習能力的保障，醫療數據之于醫療診斷的重要性，就像道路測試之于無人駕駛汽車，因此，在算力和算法持續快速進步的基礎上，獲取相當數量的高質量數據成為醫學影像人工智能領域最重要的競爭力?！盎ヂ摼W+”推動醫療行業大數據爆炸。醫療行業數據量極大，一個癌癥患者的基因組就相當于半個 TB 數據，互聯網+推動了以電子病歷記錄為代表的集中化醫療數據量快速增長，美國醫療機構使用電子病歷記錄的比例從 2004 年的 21%增長至 2015 年的 87%；醫院提供數字化醫療信息的能力同樣也在增加從 2013 年至今增長了 7 倍?？偨Y來看，全球醫療數據量從 2013 年以來的年增長率達到了 48%。