Introduction
L'acquisition comprimée est une technique de traitement des signaux qui permet d'accélérer les examens d'imagerie médicale. Philips Healthcare a intégré les méthodes d'acquisition comprimée dans ses scanners d'imagerie par résonance magnétique (IRM) pour réduire de jusqu'à 50 % ses temps de balayage pour les séquences 2D et 3D, par rapport aux scanners Philips dépourvus de la technologie Compressed SENSE et avec une qualité d'image pratiquement similaire. Récemment, des méthodes de deep learning ont été explorées pour la reconstruction d'images IRM et ont affiché des résultats satisfaisants en matière de qualité d'image et de vitesse de reconstruction. Selon le rapport de Philips Healthcare et Intel, deux architectures hybrides, à savoir domaine de fréquence/domaine d'image et encodeur/décodeur, donnent d'excellents résultats dans la reconstruction des IRM.
Nous montrons comment accélérer ces deux réseaux neuronaux sur le matériel Intel® à l'aide de ladistribution Intel® du kit d'outils OpenVINO™. Ce kit d'outils permet à Philips Healthcare d'accélérer l'inférence deep learning jusqu'à 54 fois par rapport à TensorFlow 1.15 standard non optimisé, tel que testé dans l'environnement Linux propriétaire de Philips sur les processeurs Intel® Xeon®1. Nous décrivons ensuite comment exploiter la technologie Intel® DevCloud for the Edge, qui a permis à Philips Healthcare de comparer les performances de ses modèles de deep learning sur les processeurs Intel® Xeon® et Intel® Core™, les unités de traitement de la vision (VPU) Intel® Movidius™, les FPGA et le matériel GPU intégré afin de concevoir des produits de deep learning qui répondent à divers besoins en matière de performances, de coût, de puissance et de format.
Lisez le livre blanc intitulé Philips Healthcare Uses the Intel® Distribution of OpenVINO™ Toolkit and the Intel® DevCloud for the Edge to Accelerate Compressed Sensing Image Reconstruction Algorithms for MRI.