medizin&technik 02.2019
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
■ [ TECHNIK ]<br />
Skalierbare künstliche Intelligenz<br />
für Medizingeräte<br />
Hardware für die Künstliche Intelligenz | Medizingeräte mit künstlicher Intelligenz (KI)<br />
oder Augmented Reality (AR) können Ärzte stärker unterstützen. Die zusätzlich<br />
erforderliche Rechenleistung ist mit Hardware wie den AMD Embedded-Prozessorbasierten<br />
Computer-on-Modules auch bei wenig Platz erreichbar.<br />
Der Markt für künstliche Intelligenz in<br />
Diagnose und Bildgebung soll in den<br />
nächsten Jahren stark wachsen – und dabei<br />
wird auch künstliche Intelligenz eine<br />
Rolle spielen. Die Anwendung von KI gestaltet<br />
sich dabei so, dass das eigentliche<br />
Lernen auf zentralen Serverfarmen erfolgt.<br />
Angewendet wird das Erlernte lokal<br />
in den Geräten. Einige KI-Anwendungen<br />
können auf Standardsystemen betrieben<br />
werden wie dem Bildarchivierungs- und<br />
Kommunikationssystem (PACS) oder<br />
auch dem Radiologie-Informationssystem<br />
(RIS). Diese laufen mit rechenstarken Servern<br />
auf den Befundungsworkstations,<br />
und hier lassen sich KI-Anwendungen einfach<br />
integrieren. Im Vergleich zur vorherigen<br />
Nutzung wird nicht signifikant mehr<br />
Rechenleistung benötigt.<br />
IHR STICHWORT<br />
■<br />
■<br />
■<br />
■<br />
■<br />
Künstliche Intelligenz in Medizingeräten<br />
Bildgebende Verfahren als Vorreiter<br />
Geeignete Hardware für die Integration<br />
Geringer Energiebedarf<br />
Einsetzbar unter beengten Verhältnissen<br />
Für KI-Lösungen in medizinischen<br />
Echtzeit-Applikationen eignet sich<br />
das Congatec Evalu ation Carrier<br />
Board. Darin werden AMD Ryzen<br />
Embedded 1000<br />
oder AMD Epyc Embedded 3000<br />
Prozessoren eingesetzt<br />
Bild: Congatec<br />
Rechenleistung im Gerät<br />
lässt sich steigern<br />
Wenn Systementwickler erlernte Algorithmen<br />
auf Medizingeräten ausführen<br />
wollen, denen nur begrenzte Energie und<br />
Rechenleistung zur Verfügung steht, sind<br />
andere Überlegungen erforderlich. Sollen<br />
die Geräte mit Algorithmen des Machine<br />
Learning (ML) und Deep Learning (DL)<br />
ausgestattet werden, wird viel mehr Rechenleistung<br />
als bisher gebraucht.<br />
Ein Weg, um das zu erreichen, sind so<br />
genannte GPGPU-basierte Serverfarmen.<br />
Das Kürzel GPGPU für General Purpose<br />
Computation on Graphics Processing Unit<br />
bezeichnet Grafikprozessoren, die für Berechnungen<br />
eingesetzt werden, die über<br />
ihren ursprünglichen Aufgabenbereich hinausgehen.<br />
Die einem System zusätzlich<br />
zur Verfügung gestellte Rechenleistung<br />
sollte idealerweise auf der gleichen Computing-Architektur<br />
basieren, die auch in<br />
den lernenden Serverfarmen genutzt<br />
wird – so können Software und Algorithmen<br />
effizient wiederverwendet werden.<br />
Da x86-basierte Medizingeräte für die<br />
Diagnostik und Bildgebung eine hohe<br />
GPU-Performance aufweisen, sind sie<br />
ideale Kandidaten für die Integration von<br />
KI-Funktionen: Ihr Ökosystem bietet bereits<br />
Support für heterogene Computersysteme.<br />
Zwei Prozessoren des Herstellers<br />
AMD bringen die Eigenschaften mit, die<br />
für die Integration von KI in Geräten für<br />
die Bildgebung gebraucht werden. Die<br />
Prozessoren Ryzen Embedded V1000 und<br />
Epyc Embedded 3000 kombinieren in einer<br />
APU (Accelerated Processing Unit) eine<br />
leistungsstarke „Zen“-CPU-Architektur<br />
mit einer hohen Leistung auch im Grafik-<br />
bereich. Entwickler, die noch mehr Performance<br />
benötigen, können die verwendeten<br />
Architekturen über diskrete Grafikkarten<br />
mit noch leistungsfähigeren AMD<br />
Epyc Embedded-Prozessoren nutzen. Daran<br />
lassen sich beispielsweise vier voll<br />
ausgestattete PEG-Grafikkarten mit je 16<br />
Lanes anbinden.<br />
Beide Prozessoren ermöglichen eine<br />
heterogene Systemprogrammierung. Damit<br />
können sie nicht nur die KI-Aufgaben<br />
auf den Embedded Computern der Medizingeräte<br />
ausführen, sondern gleichzeitig<br />
als Plattformen für die Deep-Learning-<br />
Prozesse in den Servern des Rechenzentrums<br />
eingesetzt werden – wo ihnen eine<br />
massive GPGPU-gestützte Parallelverarbeitung<br />
zur Verfügung steht.<br />
Wie sich die Rechenleistung in Medizingeräten<br />
ausgewogen verteilen lässt,<br />
hängt vor allem von der Anwendung ab.<br />
Bei kleinen Geräten empfehlen sich COM<br />
Express Typ 6 Computer-on-Modules mit<br />
AMD Ryzen Embedded V1000 Prozesso-<br />
42 medizin&<strong>technik</strong> 02/2019