用于医学影像领域的NVIDIA Clara

现在，GPU 几乎已渗透到所有影像诊断方式中（包括 CT、MRI、X 光和超声波），这为边缘设备提供了 IT 数据中心和云端所具备的计算能力。随着医疗影像领域深度学习研究的广泛兴起，开发者们正在着力开发更多高效且经过改进的方法，以实现 AI 辅助工作流。

如要开发这些由 AI 支持的功能，我们就需要为 AI 准备好数据。NVIDIA Clara 的 AI 辅助标注通过提供 API 和工具包将 AI 辅助的数据标注功能引入任何医疗检视器，由此实现了这一点。完成数据标注后，数据科学家和研究人员需要构建一个稳健的 AI 模型。为此，NVIDIA Clara 训练纳入了 AutoML、隐私保护联邦学习和迁移学习等一系列技术。对模型进行训练后，您需要将其应用到合适的临床环境中，您可以使用 NVIDIA Clara Holoscan 做到这一点。Clara Holoscan 可减少构建高性能 AI 推理平台的工程投资。

 

用于医学影像领域的 NVIDIA Clara 有助于加速典型的成像工作流的发展。该工作流始于标注数据、创建 AI 模型、开发包含一个或多个 AI 模型的应用，以及在单个机构内或跨多个机构完成部署。

采用 DeepGrow 模型的 NVIDIA AI 辅数据标注（AIAA）功能可快速标注数据，您只需在数张 CT 片和 MRI 片上感兴趣的区域内点击几次即可。图像标注是一项耗时、繁琐的任务，且标注方式因人而异，而 AIAA 有助于加速图像标注的速度。

NVIDIA Clara Train SDK 可提供 20 多个用于放射学和数字病理学的预训练 AI 模型，这些模型可供立即下载和使用，您也可通过迁移学习工具套件根据单个机构的数据对模型进行相应调整，或通过我们的联邦学习框架根据多个机构的数据对其展开训练。借助联邦学习，预先经过训练的本地模型可以通过共享模型权重的子集而无需共享患者信息，从而根据跨地区和跨机构患者的多样化数据展开训练。

NVIDIA Clara Holoscan 是一个医疗设备混合计算平台，包含在嵌入式服务、边缘和云端开发和运行端到端串流和成像应用所需的硬件系统、经优化的库、SDK 以及核心微服务。

AI 辅助的图像标注

Clara Train AI 辅助数据标注（AIAA）

NVIDIA AI 辅助数据标注（AIAA）提供客户端 API 和数据标注服务器，可流畅支持任何医疗检视器采用 AI 技术，并可加速创建高质量已标注数据集，用于训练稳健的人工智能算法。

将数据标注工作流的效率提高 10 倍

提供预训练模型和智能算法，只需单击几下即可开始标注数据

可进行配置，让用户能够设定自定义推理逻辑

为开发者提供可靠的服务器 - 客户端架构，以便通过 AI 助力的数据标注工作流扩展其检视器应用

AI 模型训练

Clara Train SDK

NVIDIA Clara Train SDK提供一个训练框架，有助于加速适用于医学影像用例的深度学习训练和推理。这让医学影像研究人员和开发者能够使用高级直观的 API 快速实施新模型。

Clara Train 基于 MONAI Core（基于 PyTorch 的医疗健康影像深度学习框架）构建，并且可将 MONAI 中的领域专用基础模组以 MMAR（医学模型存档）格式加以提取。

提供先进的预训练模型，助您快速入门

借助适用于 3D 成像模型的特定领域 GPU 优化，将训练性能提升至多 50 倍

提供 AutoML 等功能强大的技术，可实现自动参数调整并加快迭代实验速度

Clara Train 的联邦学习由 NVIDIA 独立 Python 库 NVFlare 提供支持，能够以简便的方式置备分布式客户端，助力针对医学影像用例的多机构协作

AI 推理

Clara Holoscan SDK

超声波、内窥镜、手术机器人、数字病理学、放射治疗、患者监控 CT、MRI、X 光、基因组学、显微镜技术等领域均需使用计算医疗设备，而NVIDIA Clara Holoscan SDK可为这些计算医疗设备提供医疗健康领域特定加速库、预训练 AI 模型和参考应用。

适用于传统医学影像推理用例（包括诊断、质量保证和研究验证）的 Clara Holoscan 仍在开发中，您可以在 Holoscan SDK 页面上了解更多相关信息。

如果您希望立即开始使用相关领域的 SDK，建议查看 MONAI Deploy。这是一个开源 SDK、参考应用和微服务的合集，由 Project MONAI 社区创建，易于入门。

MONAI Deploy

MONAI Deploy旨在成为临床生产中医疗 AI 应用的开发、包装、测试、部署和运行的实际标准。MONAI Deploy 专注于确定应用从研究创新阶段到投入医院临床生产环境的历程。MONAI Deploy 的指导原则包括：

创建有形素材：工具、应用和演示 / 原型

先专注于放射学，随后转向病理学等其他形式

与临床系统有互操作性。从 DICOM 入手，随后转向 FHIR

审核编辑：汤梓红