计算机行业报告：“AI+医学影像”风口将至平台分成与技术授权各具潜力-171122（40页）.pdf

《计算机行业报告：“AI+医学影像”风口将至平台分成与技术授权各具潜力-171122（40页）.pdf》由会员分享，可在线阅读，更多相关《计算机行业报告：“AI+医学影像”风口将至平台分成与技术授权各具潜力-171122（40页）.pdf（40页珍藏版）》请在三个皮匠报告上搜索。

1、早期医疗图像诊断设备大多是采用 FPGA 处理器进行运算，低功耗优势显著。过去一般使用 MCU 或 DSP 来处理医疗图像，由于 MCU 和 DSP 都是串行器件，开发人员需要使用 FPGA 来进行硬件加速以获得医疗成像应用所需的处理能力和清晰度，FPGA 能处理图像算法里大规模的并行处理需求。目前国内也有一些企业利用 FPGA+深度学习技术，实现医学影像智能诊断，例如医学影像 AI 企业健培科技自主研发了基于 FPGA 架构的影像分析，在满足性能要求的前提下具备低功耗的优势。GPU 作为高性能计算机集群协处理器，峰值性能优于 FPGA，在医学影像领域应用也越来越广泛。随着运算量的大幅度增加，

2、FPGA 已难以应付，引入擅长于并行运算的 GPU 进行协运算非常必要，医疗成像是较早利用 GPU 通用计算能力加快性能的商业应用之一。越来越多 CT 机、超声波诊断设备搭载了 NVIDIA 的 GPU，CT、MRI、超声波、内窥镜、病理影像诊断中均可用到 GPU 协运算。在一些医疗影像应用中，计算机需要处理大量的高精度 CT 或者MRI 图像。患者需要快速、精确并且舒适的诊断，而医生则需要能够实现高效诊断的工具。将庞大的服务器阵列引入临床设备非常困难，但 GPU 和 Tesla 的强大计算能力使得提供小型的并行计算模块成为可能。GPU 的通用计算性能，能够让科研人员以比处理器快数十倍甚至上百

3、倍的速度处理图像。因此，医生能够实现实时查看 CT 和 MRI 的 3D 合成图像，或者在不损失检查影像画质的情况下能够使系统更快地运行。通过这些快速得到的结果，医生能够检查病患组织的状态并做出诊断，而无需活体检查和外科处理。系统的深度学习能力提升需要经过相当数量和质量的数据训练，深度学习算法的鲁棒性、泛化能力大小很大程度取决于数据训练的量级。数据质量更是人工智能计算和学习能力的保障，医疗数据之于医疗诊断的重要性，就像道路测试之于无人驾驶汽车，因此，在算力和算法持续快速进步的基础上，获取相当数量的高质量数据成为医学影像人工智能领域最重要的竞争力。“互联网+”推动医疗行业大数据爆炸。医疗行业数据量极大，一个癌症患者的基因组就相当于半个 TB 数据，互联网+推动了以电子病历记录为代表的集中化医疗数据量快速增长，美国医疗机构使用电子病历记录的比例从 2004 年的 21%增长至 2015 年的 87%；医院提供数字化医疗信息的能力同样也在增加从 2013 年至今增长了 7 倍。总结来看，全球医疗数据量从 2013 年以来的年增长率达到了 48%。