基于OpenVINO的海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)胸肺系統(tǒng)

要點(diǎn)綜述
　　人工智能等數(shù)字化技術(shù)正在深度重構(gòu)醫(yī)療行業(yè)，從醫(yī)學(xué)影像輔助診斷、疾病預(yù)測/健康管理到藥物研發(fā)等諸多環(huán)節(jié)，數(shù)字化技術(shù)都發(fā)揮著日趨重要的作用，帶來更加智慧、高效、精確的診療方式。其中，三維手術(shù)規(guī)劃系統(tǒng)通過醫(yī)療影像中解剖結(jié)構(gòu)智能分割、三維重建及渲染，能夠幫助醫(yī)生更精準(zhǔn)定位手術(shù)位置，判斷手術(shù)可行性，并規(guī)劃最優(yōu)手術(shù)路徑，可有效提高腫瘤切除率、修正手術(shù)方案、大大減少手術(shù)時間及術(shù)中出血，提高手術(shù)安全性，造福病患。
　　青島海信醫(yī)療設(shè)備股份有限公司（以下簡稱：海信醫(yī)療）是海信集團(tuán)全資子公司，公司與青島大學(xué)共建了數(shù)字醫(yī)學(xué)與計算機(jī)輔助手術(shù)省級重點(diǎn)實(shí)驗室，專注于與醫(yī)學(xué)影像相關(guān)的人工智能技術(shù)開發(fā)，形成了以醫(yī)學(xué)影像處理、人工智能、信息交互、醫(yī)用顯示等核心技術(shù)為基礎(chǔ)，以計算機(jī)輔助手術(shù)系統(tǒng)、智能影像中心、數(shù)字化手術(shù)室等醫(yī)院信息化解決方案為落地場景的完整研發(fā)、生產(chǎn)、營銷服務(wù)體系。海信醫(yī)療多年致力于醫(yī)學(xué)影像人工智能技術(shù)研發(fā)，成功開發(fā)出海信計算機(jī)輔助手術(shù)規(guī)劃系統(tǒng)，覆蓋胸肺、肝膽胰脾和泌尿系統(tǒng)，已應(yīng)用于全國100多家醫(yī)院，服務(wù)病患超過9000例（根據(jù)2020年2月的數(shù)據(jù)統(tǒng)計），產(chǎn)生了良好的社會及經(jīng)濟(jì)效益，具有良好的臨床應(yīng)用前景。
　　為了進(jìn)一步提升 CAS 手術(shù)胸肺系統(tǒng)針對 CT（電子計算機(jī)斷層掃描）人工智能器官分割的效率，提高部署靈活性并控制大規(guī)模部署成本，海信醫(yī)療部署了英特爾?至強(qiáng)?可擴(kuò)展處理器，并使用OpenVINO?工具套件進(jìn)行了算法深度學(xué)習(xí)加速，成功達(dá)到了預(yù)期目標(biāo)。
背景：CAS 手術(shù)在中國與全球市場的發(fā)展現(xiàn)狀與預(yù)測
　　隨著近年來低劑量螺旋CT早期篩查普及率的提高，越來越多癌前病變的小結(jié)節(jié)被檢出。與此同時，肺癌的外科治療也經(jīng)歷了從一側(cè)全肺切除、解剖性肺葉切除到肺楔形段切除的發(fā)展演變。
　　從解剖學(xué)上講，肺段是一個完整和獨(dú)立的單位，每個肺段都有其獨(dú)立的動脈、靜脈及支氣管分支供應(yīng)，精準(zhǔn)切除腫瘤所在的肺段，既能保證腫瘤的完整切除，又能最大限度的保留正常肺組織，還能進(jìn)行段間及段內(nèi)淋巴結(jié)的采樣或清掃，達(dá)到解剖性切除、根治腫瘤的目的。研究表明，針對如臨床I期非小細(xì)胞肺癌（NSCLC）治療等，解剖性肺段切除術(shù)與傳統(tǒng)肺葉切除相比，可以提供類似的局部和遠(yuǎn)端控制1,2。因此，精準(zhǔn)肺 段切除非常適合肺小結(jié)節(jié)或無法耐受肺葉切除病人的治療。
　　由于肺臟邊緣動靜脈、支氣管分支特別復(fù)雜，且缺乏天然可見的解剖邊界，精準(zhǔn)肺段切除術(shù)具有較大技術(shù)和解剖學(xué)難度?；谏疃壬窠?jīng)網(wǎng)絡(luò)自動分割的肺部精準(zhǔn)三維重建技術(shù)可以將肺組織、病灶、肺內(nèi)血管和支氣管等結(jié)構(gòu)的形態(tài)和空間分布等進(jìn)行識別與分析，實(shí)現(xiàn)直觀準(zhǔn)確的可視化呈現(xiàn)。使用三維重建技術(shù)的3D CT 手術(shù)計劃對機(jī)器人輔助節(jié)段切除術(shù)非常有用，有利于減少并發(fā)癥和提高手術(shù)效率。
　　術(shù)前精準(zhǔn)三維重建可有效顯示病灶及附近解剖結(jié)構(gòu)，為肺癌患者提供了更多的選擇，能夠最大限度地保留患者的肺功能。針對早期肺癌和癌前病變，通過精準(zhǔn)肺段切除能以最小代價提前實(shí)施干預(yù)，切除病灶，增加患者的長期生存率，提高患者生活質(zhì)量。實(shí)例驗證顯示，解剖性肺段分析可有效確定腫瘤體積、所在肺段位置并幫助醫(yī)生預(yù)測切緣。切緣預(yù)測陽性準(zhǔn)確率對腫瘤切緣高于1cm或者切緣腫瘤直徑比大于1的情況，切緣準(zhǔn)確率（TP/（TP+FP））分別達(dá)到87%及75%，可有效輔助醫(yī)生術(shù)前精確判斷周圍型肺癌肺段切除可行性。
　　為了支持醫(yī)療影像的自動分割，研究人員使用了 NiftyNet 等基礎(chǔ)架構(gòu)來開發(fā)深度學(xué)習(xí)方案，NiftyNet 使研究人員能夠快速開發(fā)和分發(fā)用于分段、回歸、圖像生成和表示學(xué)習(xí)應(yīng)用程序的 深度學(xué)習(xí)解決方案，或?qū)⑵脚_擴(kuò)展到新的應(yīng)用程序6 。
　　據(jù)美國聯(lián)合市場研究（Allied Market Research）機(jī)構(gòu)最近公布的一份研究報告預(yù)測，全球術(shù)前規(guī)劃軟件市場規(guī)模2018年為8409萬美元，到2026年這個數(shù)字將達(dá)到1.27億美元，復(fù)合年增長率為5.2%。
　　胸肺 CT 三維重建是 AI 技術(shù)在醫(yī)療行業(yè)的典型應(yīng)用。事實(shí)上，由于AI在診療過程中具備突出的優(yōu)勢，其已成為眾多醫(yī)院推進(jìn)數(shù)字化創(chuàng)新、推動智慧醫(yī)院建設(shè)的重要方向?！吨袊t(yī)學(xué)影像 AI 白皮書》顯示，在醫(yī)學(xué)影像方面，AI 技術(shù)具有更廣闊的落地場景，通過 AI 技術(shù)，可以有效提高醫(yī)師診療效率與診斷精 度，使醫(yī)學(xué)影像的分析技術(shù)下沉，縮短患者就診等待時間，降低患者就醫(yī)成本。
　　開展精準(zhǔn)肺段切除的最大難點(diǎn)在于個體解剖差異， 如何分辨肺段的靜脈、動脈、支氣管及段間平面是手術(shù)是否精準(zhǔn)的關(guān)鍵。隨著人工智能技術(shù)的發(fā)展， 國內(nèi)少數(shù)醫(yī)院通過將 CT 數(shù)據(jù)影像導(dǎo)入計算機(jī)工作站，建立起三維立體數(shù)字器官模型，真實(shí)還原了患者的動脈、靜脈及支氣管的走形形態(tài)，手術(shù)過程中能夠在電腦中旋轉(zhuǎn)觀察，準(zhǔn)確定位并精準(zhǔn)切除病灶，同時也大大提升了手術(shù)的安全性。— 彭忠民 山東省立醫(yī)院東院胸外科主任
海信醫(yī)療基于英特爾架構(gòu)加速三維神經(jīng)網(wǎng)絡(luò)預(yù)測
　　海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)胸肺系統(tǒng)可以為腹腔精準(zhǔn)外科手術(shù)提供高效、精準(zhǔn)、易用的影像重建及量化模擬分析整體解決方案。該系統(tǒng)能夠針對腹腔組織器官的 CT/MR 影像進(jìn)行預(yù) 處理和分割，精準(zhǔn)輸出清晰的肝臟、腫瘤、血管及周邊器官組織的重建結(jié)果，并提供多種模擬手術(shù)工具進(jìn)行直接 3D 切割、2D 映射切割和流域分析，為臨床醫(yī)生快速精準(zhǔn)地進(jìn)行診斷和制定方案提供了有力的輔助工具。

圖 1. 利用海信醫(yī)療 CAS 完成的胸肺 CT 三維重建模型。圖片由海信醫(yī)療提供

圖 2. 海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)胸肺系統(tǒng)。圖片由海信醫(yī)療提供

　　面向重大肝臟疾病的計算機(jī)輔助手術(shù)系統(tǒng)進(jìn)行的匯總分析顯示，海信計算機(jī)輔助手術(shù)系統(tǒng)和其它同類產(chǎn)品已向臨床醫(yī)護(hù)人員提供幫助。
　　海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)胸肺系統(tǒng)的設(shè)計采用功能原型設(shè)計、性能優(yōu)化、準(zhǔn)確性比對的步驟進(jìn)行。系統(tǒng)采用了V-Net 神經(jīng)網(wǎng)絡(luò)架構(gòu)來進(jìn)行全卷積神經(jīng)網(wǎng)絡(luò)的三維圖像分割，利用 NiftyNet 進(jìn)行快速的算法原型設(shè)計，在功能驗證的基礎(chǔ)上，進(jìn)一步利用英特爾工具進(jìn)行性能優(yōu)化，并對優(yōu)化后預(yù)測結(jié)果與優(yōu)化前預(yù)測結(jié)果進(jìn)行對比，以確保優(yōu)化后的神經(jīng)網(wǎng)絡(luò)的一致性。
V-Net
　　大多數(shù)醫(yī)學(xué)影像數(shù)據(jù)是三維體數(shù)據(jù)，能夠提取三維特征對于管道類組織的分割至關(guān)重要，這是因為血管、支氣管等管道類組織在單張 CT 影像上往往呈現(xiàn)圓形或橢圓形截面，而其主要的形態(tài)特征存在于 z 軸方向。同時醫(yī)學(xué)圖像分割經(jīng)常存在目標(biāo)組織解剖結(jié)構(gòu)體積占比小，樣本間不均衡現(xiàn)象，如：肺支氣管、肺小結(jié)節(jié)相比肺實(shí)質(zhì)，從而帶來預(yù)測偏差。 V-Net 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由 Milletari et al. 在 2016 年提出，輸入圖像經(jīng)過一個圖像壓縮路徑進(jìn)行特征提取及降采樣操作，連接一個圖像解壓縮路徑將圖像恢復(fù)到輸入圖像大小，形成左右對稱的 V 字神經(jīng)網(wǎng)絡(luò)架構(gòu)。壓縮及解壓路徑間通過特征前項短接 保留細(xì)顆粒特征，提升邊緣的預(yù)測準(zhǔn)確率。通過引入基于Dice系數(shù)的目標(biāo)函數(shù)進(jìn)行參數(shù)優(yōu)化，可有效處理前景/背景體素不平衡現(xiàn)象。
NiftyNet
　　NiftyNet 是基于TensorFlow 的開源卷積神經(jīng)網(wǎng)絡(luò)（CNN）平臺，通常用于醫(yī)學(xué)影像分析和影像引導(dǎo)療法的研究。海信醫(yī)療使用 NitfyNet 以及其內(nèi)部開放模型庫（Model Zoo）中的 Dense-Vnet 實(shí)現(xiàn)對于腹部 CT 中多個器官影像的分割，該神經(jīng)網(wǎng)絡(luò)平臺可分割腹部 CT 上的八種類型的器官，包括胃腸道（食道、胃、十二指腸），胰腺和附近的器官（肝、膽、脾、 左腎）。

圖 3. V-Net 神經(jīng)網(wǎng)絡(luò)架構(gòu)圖

　　NiftyNet 的開放模型庫提供了可在 TensorFlow 之上，使用標(biāo)準(zhǔn)公共數(shù)據(jù)集訓(xùn)練模型的步驟，以及用于驗證模型推理和性能評估的權(quán)重文件（checkpoint 文件）。在本案例中，英特爾幫助海信醫(yī)療修改 NiftyNet 的公共源代碼來序列化 TensorFlow 模型圖，并生成將權(quán)重固化到模型圖的pb文件。OpenVINO工具套件需要使用在通用框架（Caffe， Tensorflow，MXNet，ONNX）上訓(xùn)練好的模型來進(jìn)行轉(zhuǎn)換，所以在開始使用OpenVINO之前，需要基于TensorFlow將 NiftyNet 模型源碼生成模型圖并固化權(quán)重，以便進(jìn)行后續(xù)的工作。在深度網(wǎng)絡(luò)圖形序列化步驟中，需要指定正確的輸入和輸出節(jié)點(diǎn)，使得生成的權(quán)重固化文件中只包含從正確輸入節(jié)點(diǎn)到正確輸出節(jié)點(diǎn)之間的模型結(jié)構(gòu)圖。以下流程圖反映了如何將 NiftyNet 公開模型使用 OpenVINO 加速的過程，其中橙色部分表示在 NiftyNet 源文件中編寫代碼完成的流程，藍(lán)色部分表示 OpenVINO 優(yōu)化流程：

圖 4.NiftyNet模型使用OpenVINO優(yōu)化性能的流程圖。約 14.7x 的性能提高細(xì)節(jié)請參考圖 9

使用 OpenVINO 工具套件分發(fā)來加速模型推斷
　　OpenVINO 工具套件發(fā)行版提供了高度優(yōu)化的神經(jīng)網(wǎng)絡(luò)計算能力，并基于包括英特爾 CPU、GPU、VPU 和 FPGA 在內(nèi)的英特爾硬件平臺，加速了深度學(xué)習(xí)模型推理。英特爾幫助海信醫(yī)療使用了英特爾? 深度學(xué)習(xí)部署工具包（英特爾? DLDT）。 該工具包是 OpenVINO 工具套件中的主要推理優(yōu)化模塊。
　　如圖5所示，英特爾 DLDT 包含兩個模塊，模型優(yōu)化器（MO，Model Optimizer）和推理引擎（IE，Inference Engine）。模型優(yōu)化器是一個跨平臺的命令行工具，可實(shí)現(xiàn)訓(xùn)練和部署環(huán)境之間的轉(zhuǎn)換，執(zhí)行靜態(tài)模型分析并調(diào)整深度學(xué)習(xí)模型， 致力于在終端目標(biāo)設(shè)備上實(shí)現(xiàn)最佳執(zhí)行能力。它支持從流行的框架（包括 TensorFlow 模型）到中間數(shù)據(jù)格式（IR，Intermediate Representation）的離線模型轉(zhuǎn)換。

圖 5. OpenVINO 工具套件的深度學(xué)習(xí)部署 相關(guān)的產(chǎn)品架構(gòu)

　　中間數(shù)據(jù)格式包含用于描述深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的 XML 和用于存儲權(quán)重值和偏差值的二進(jìn)制文件，可以使用推理引擎在英特爾至強(qiáng)可擴(kuò)展處理器上加載和執(zhí)行模型網(wǎng)絡(luò)。推理引擎提供統(tǒng)一的跨平臺 C++ 和 Python API，用于推理加速和優(yōu)化。在英特爾?處理器上，IE將自動在運(yùn)行時使用集成了英特爾?深度神經(jīng)網(wǎng)絡(luò)庫（英特爾? DNNL）的運(yùn)行插件，該插件均為動態(tài)函數(shù)庫，可以在運(yùn)行時檢測指令集架構(gòu)（ISA），并使用準(zhǔn)時制代碼生成（JIT）來部署，針對最新的 ISA12 進(jìn)行優(yōu)化，以加速神經(jīng)網(wǎng)絡(luò)中各層的運(yùn)算。
　　圖 6 展示了在 CPU 平臺上，英特爾 DLDT 的加速推理的機(jī)制和流程，其中推理引擎使用到的MKL-DNN（又稱英 特爾 DNNL）插件中定義了深度神經(jīng)網(wǎng)絡(luò)核心的原始操作（primitive operation）層的實(shí)現(xiàn)，其中包括卷積層（Conv，Convolution），對位操作層（Eltwise，element-wise），全連接層（Concat，Concatenation）等。
OpenVINO 異步模式
　　為了高度優(yōu)化整個推理流程并降低數(shù)據(jù)傳輸成本，海信醫(yī)療采用推理引擎的異步應(yīng)用程序編程接口（Async API）來設(shè)置多個推理請求對象的實(shí)例，并在多個處理器核上并行進(jìn)行推理。該模式可將CT影像分割成多個小塊進(jìn)行處理（每個小塊的尺寸為 64*64*64），并且每兩個小塊之間都不會存在數(shù)據(jù)相互依賴性，這意味著系統(tǒng)可以在開始時加載成批的塊，并將其注入推理請求池以便并行計算，而無需等待逐個數(shù)據(jù)的輸入或等待其他推理實(shí)例完成。這里提供了方便快捷的響應(yīng)機(jī)制，一旦異步推理請求完成推理執(zhí)行時，這組運(yùn)算的結(jié)果將被獲取和記 錄，下一組輸入將直接注入推理請求池進(jìn)行下一輪推理。

圖 6. 英特爾 DLDT 基于 CPU 平臺上的優(yōu)化機(jī)制

　　圖 7 顯示了使用英特爾? VTune工具包，通過程序熱點(diǎn)（hotspot）分析選項，分析原始的推理引擎同步（Sync）API程序的運(yùn)算情況。網(wǎng)絡(luò)層在主線程上執(zhí)行，英特爾DNNL將為在多個內(nèi)核上進(jìn)行計算的每一個網(wǎng)絡(luò)層創(chuàng)建英特爾? TBB 線程。從OpenVINO工具套件2019R1版本開始，DLDT 將默認(rèn)的并行化機(jī)制從 OpenMP 轉(zhuǎn)移到英特爾 TBB，旨在為多網(wǎng) 絡(luò)場景和異步及吞吐量模式下的推理運(yùn)算提供更高的性能。
　　圖 7 中黃色圓圈圈中的一欄代表主線程，橫軸表示時常，橙色 的內(nèi)容表示主線程處于空轉(zhuǎn)的狀態(tài)下，線程占據(jù)了系統(tǒng)資源，

　圖 7. VTune 工具展示的 OpenVINO IE Sync API 計算過程

　　原因是主線程需要等待，直到下面的TBB子線程逐層地完成，并且每小塊的輸入數(shù)據(jù)將被逐一計算后，主線程才可以結(jié)束運(yùn)算并釋放資源。
　　與 Sync API 相比，Async API 可以創(chuàng)建多個推理請求實(shí)例來同時執(zhí)行網(wǎng)絡(luò)推理。如圖 8 所示，Async API 將同時創(chuàng)建帶有多個推理請求的線程，每個線程分別使用不同的輸入數(shù)據(jù)塊執(zhí)行推理，圖像中的紅色圓圈表示同一個網(wǎng)絡(luò)層在不同推理實(shí)例上的并行情況。通過使用這種方式，將減少主線程和子線程之間的等待時延。

　圖 8. VTune 工具展示的 OpenVINO IE Async API 計算過程（“吞吐量” 模式打開）

　　同時，海信醫(yī)療還使用處理器推理引擎的“吞吐量”（Throughput）模式在 CPU上同時高效地運(yùn)行多個推理請求，從而大大提高了吞吐量。使用該模式，執(zhí)行資源會被固定到執(zhí)行“流”中，而這些“流”的可以綁定在CPU物理核上， “流”的數(shù)量建議設(shè)置為 CPU 的物理核數(shù)。通過此功能將容易 獲得更高性能，尤其是在多核服務(wù)器上。
基于OpenVINO工具套件的海信醫(yī)療CAS性能驗證
　　要對 CT 等醫(yī)療影像進(jìn)行三維重建，需要采集目標(biāo)的點(diǎn)云數(shù)據(jù) （Point Cloud Data，PCD），經(jīng)過深度影像增強(qiáng)、點(diǎn)云計算與配準(zhǔn)、數(shù)據(jù)融合、表面生成等步驟，完成對目標(biāo)的三維重建計算，其涉及到影像人工智能自動分割、重建，需要部署 人工智能預(yù)測網(wǎng)絡(luò)，對于計算資源、存儲和網(wǎng)絡(luò)連接有著巨大的需求。
　　在選擇人工智能預(yù)測網(wǎng)絡(luò)的基礎(chǔ)設(shè)施時，用戶常常會面臨是選擇 CPU 還是 GPU的困擾。GPU的并行架構(gòu)適合處理圖像算法，也普遍被用于深度學(xué)習(xí)訓(xùn)練中，但是由于醫(yī)療場景的特殊性，GPU 并非是面向三維重建的人工智能預(yù)測網(wǎng)絡(luò)構(gòu)建 的必然選擇：
　　? 醫(yī)院部署人工智能功能往往局限于醫(yī)院局域網(wǎng)，很難利用公網(wǎng)中的廉價 GPU資源。為了滿足并發(fā)需求，部署多塊高性能 GPU 是不小的硬件成本。
　　? 通常GPU顯存有限，針對三維神經(jīng)網(wǎng)絡(luò)預(yù)測的大數(shù)據(jù)量，需要采用拆分-單獨(dú)預(yù)測-合并的 Patch-based 方法，這樣容易丟失所預(yù)測目標(biāo)的上下文信息，引入噪聲。如胸肺動靜分割，數(shù)據(jù)量（512*512*400），使用只有 11GB 顯存的 GPU（海信醫(yī)療評估系統(tǒng)設(shè)置），最大Patch尺寸為（232*232*232）。部署時該GPU的適配性不高。
　　? 本案例中的海信醫(yī)療 CAS 手術(shù)系統(tǒng)的AI算法有較強(qiáng)的批處理屬性，人為交互少，可以允許損失一部分處理時間而不影響用戶體驗。
　　? GPU 通用性有一定的限制，僅能用于定制的AI運(yùn)算，平時不能利用。使用 CPU 服務(wù)器可有效利用空置資源，提供其他閱片室或者手術(shù)室服務(wù)。
　　因此，選擇恰當(dāng)?shù)娜S神經(jīng)網(wǎng)絡(luò)預(yù)測的基礎(chǔ)設(shè)施平臺，并通過深度學(xué)習(xí)加速工具包來加速預(yù)測性能，就成為三維重建手術(shù)規(guī)劃系統(tǒng)部署的重要因素。
　　基于英特爾至強(qiáng)可擴(kuò)展處理器以及 OpenVINO 工具套件，海信醫(yī)療與英特爾共同優(yōu)化了胸肺CT人工智能自動分割、重建算法，在可接受的性能指標(biāo)范圍內(nèi)，大大降低了CAS計算機(jī)輔助手術(shù)胸肺系統(tǒng)部署成本與靈活性。
　　在發(fā)現(xiàn)GPU方案可能存在的弊端之后，海信醫(yī)療決定基于英特爾至強(qiáng)可擴(kuò)展處理器來搭建基礎(chǔ)設(shè)施平臺，并對該方案的性能進(jìn)行評估。英特爾至強(qiáng)可擴(kuò)展處理器不僅擁有強(qiáng)大的通用計算能力，還集成了增強(qiáng)單指令多數(shù)據(jù)流（Single Instruction Multiple Data，SIMD）、英特爾? AVX-512 等創(chuàng)新技術(shù)，實(shí)現(xiàn)了對于通用計算能力和并行計算能力的兼顧，為人工智能訓(xùn)練提供了卓越的性能基礎(chǔ)。相比上一代產(chǎn)品，英特爾至強(qiáng)可擴(kuò)展處理器針對人工智能訓(xùn)練和推理可提供大幅領(lǐng)先的性能。
　　此外，海信醫(yī)療還使用OpenVINO工具套件進(jìn)行了加速，OpenVINO工具套件包括英特爾深度學(xué)習(xí)部署工具套件。通過輸入來自標(biāo)準(zhǔn)網(wǎng)絡(luò)的訓(xùn)練后模型，模型優(yōu)化器可將其轉(zhuǎn)換為統(tǒng)一的中間代碼（IR）文件，然后在推理引擎上運(yùn)行該文件， 這有助于跨不同加速器進(jìn)行測試，無需重新編碼。
　　為了驗證該方案的性能表現(xiàn)，海信醫(yī)療進(jìn)行了對比測試（其中，CPU方案采用了英特爾至強(qiáng)可擴(kuò)展處理器，搭載了英特爾?SSE4.2、英特爾?AVX、英特爾? AVX2、英特爾AVX-512指令集，并使用OpenVINO工具套件進(jìn)行了優(yōu)化，結(jié)果如圖 9 所示）。在方案中，CT 影像原圖為尺寸為（284，512，512），即284張 512*512 的 CT 影像切片。海信醫(yī)療 CAS 應(yīng)用 NiftyNet 中的 GridSampler 函數(shù)將該 CT 影像原始切片分成了1001個64*64*64 的小塊進(jìn)行深度學(xué)習(xí)推理。
　　測試結(jié)果顯示 CPU 方案具備更高的部署與應(yīng)用靈活性，可以承擔(dān)更廣泛的負(fù)載，更有效地控制系統(tǒng)的總體擁有成本（TCO）。

圖 9. 缺省NiftyNet和OpenVINO工具套件優(yōu)化前后的推理性能對比。數(shù)據(jù)由海信醫(yī)療于 2020 年 1 月提供

效果實(shí)例：8分鐘完成疑難病癥手術(shù)關(guān)鍵核心環(huán)節(jié)
　　通過英特爾至強(qiáng)可擴(kuò)展處理器、OpenVINO工具套件來優(yōu)化胸肺CT人工智能自動分割，海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)系統(tǒng)的效率與精度得到了有效保證。通過對于胸肺 CT 進(jìn)行三維重建，該系統(tǒng)可形成立體360度可量化、可觀察、可互動的影像模型，醫(yī)生可以通過旋轉(zhuǎn)、調(diào)整透明度、縮放等方式對于影像模型進(jìn)行更加細(xì)致的觀察，為術(shù)前規(guī)劃、術(shù)中參考提供重要支撐。
　　海信醫(yī)療副總經(jīng)理陳永健指出，近日在中國重慶醫(yī)科大學(xué)附屬第一醫(yī)院泌尿外科的一例“腎癌伴下腔靜脈癌栓并浸潤腔靜脈壁”疑難手術(shù)中，患者病情的特殊性讓醫(yī)生找不到同類手術(shù)進(jìn)行參考，施行手術(shù)的風(fēng)險極高。通過引入海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)系統(tǒng)進(jìn)行三維重建，醫(yī)生進(jìn)行了充分的術(shù)前規(guī)劃準(zhǔn)備，最終手術(shù)關(guān)鍵環(huán)節(jié)僅用時8分鐘就順利完成。
　　基于海信醫(yī)療在醫(yī)療行業(yè)深厚的積累，以及英特爾架構(gòu)所帶來的高性能、靈活性與敏捷性，該系統(tǒng)在胸肺類疾病的診斷中可以發(fā)揮出巨大潛力，幫助醫(yī)生提升臨床手術(shù)的質(zhì)量。對于醫(yī)院而言，該解決方案也可以有效利用醫(yī)院內(nèi)部的通用計算資源，節(jié)省相應(yīng)支出。
　　2020 年1月份，青島大學(xué)附屬醫(yī)院和海信醫(yī)療聯(lián)合科研團(tuán)隊共同開發(fā)的，基于海信醫(yī)療 CAS 計算機(jī)輔助手術(shù)系統(tǒng)的“基于小兒肝膽胰計算機(jī)輔助手術(shù)系統(tǒng)研發(fā)、臨床應(yīng)用及產(chǎn)業(yè)化”成果，榮獲 2019 年度國家科技進(jìn)步獎二等獎。
展望：英特爾與海信醫(yī)療推動智慧醫(yī)療的落地
　　“三維重建的技術(shù)優(yōu)勢在疾病診斷中的效率、準(zhǔn)確性優(yōu)勢日漸顯現(xiàn)。通過與英特爾進(jìn)行合作，我們確保了該系統(tǒng)的運(yùn)行效率以及敏捷性。而在未來，我們也將與英特爾合作探索 3D 打印、混合現(xiàn)實(shí)等技術(shù)在醫(yī)療行業(yè)的應(yīng)用，為術(shù)前精確診斷、術(shù)中精準(zhǔn)手術(shù)、患者快速康復(fù)提供更大的支持保障”，海信醫(yī)療副總經(jīng)理陳永健表示。
　　為推進(jìn)人工智能在醫(yī)療健康領(lǐng)域的廣泛應(yīng)用，英特爾推出了CPU、FPGA、Myriad?視覺處理器及一系列的軟件開發(fā)工具，具備全面的人工智能產(chǎn)品組合和端到端的技術(shù)實(shí)力，可以提供高度靈活和多種優(yōu)化的解決方案，并充分發(fā)揮合作伙伴們在各自領(lǐng)域的專業(yè)性，來推動人工智能醫(yī)療技術(shù)的落地與進(jìn)一步發(fā)展。