medizin&technik 02.2019

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