System-on-Chips
Mit der Komplexität Schritt halten
Das sind die adaptiven Computing-Trends im Gesundheitswesen
Inhalt der Themenwoche Embedded goes Medical
Neue Healthcare-Workflows müssen mehr Performance in Bezug auf Bildverarbeitung, Datenschutz, Patienten-Sicherheit und Genauigkeit bieten – alles mit einer effizienten und praktikablen Plattform. Heterogene und adaptive verteilte Computer-Systeme könnten hier eine Schlüsselrolle einnehmen.
Subh Bhattacharya
Bereichsleiter für Healthcare, Medical Devices and Sciences bei Xilinx
Computer-Anwendungen im Gesundheitswesen sind heute wesentlich komplexer als in früheren Jahren. Mit einer Fülle neuer und anspruchsvoller Applikationen entstehen auch neue Herausforderungen für die medizinischen Geräte. In der Endoskopie beispielsweise muss eine Latenz von nahezu Null und Echtzeit-Fähigkeit realisierbar sein, komplexe Bildverarbeitungen (image signal processing, ISP) ausführen und gleichzeitig mehrere hochauflösende Displays unterstützen. In zahlreichen diagnostischen und chirurgischen Applikationen, die Endoskope einsetzen, werden außerdem höhere Auflösungen bis zu 4K, 4K-3D und sogar bis zu 8K von den Sensoren und Displays erwartet. Darüber hinaus wird auch die Unterstützung von Machine-Learning (ML) Algorithmen gefordert. Sie sollen Fachspezialisten und Chirurgen bei genauen und kritischen, lebensrettenden Entscheidungen zur Hand gehen.
Ein weiteres relevantes Beispiel ist der Einsatz medizinischer Ultraschallsysteme. Er steigt in einem breiten Bereich von Applikationen auf der Basis nicht-invasiver Verfahren weiterhin stark an, vor allem wegen deren Fähigkeit, auch Weichgewebe sichtbar zu machen. Derartige Applikationen treiben die Nachfrage nach der Unterstützung fortschrittlicher Bildgebungssysteme beim Beamforming, in mehrdimensionalen Visualisierungen und im Einsatz Künstlicher Intelligenz (KI) zur Diagnose kritischer Krankheitsverläufe.
Grenzen traditioneller Rechenverfahren
In typische Prozeduren der Radiologie, Pathologie, Dermatologie und Ophthalmologie müssen großformatige Bilder verarbeitet werden, manchmal mit bis zu fünf Megapixeln oder mehr. Das erfordert eine komplexe Bildverarbeitung. Außerdem sind die ML-Workflows sehr rechen- und speicherintensiv. Die vorherrschende Anforderung an die Rechenkapazität ist dabei eine lineare Algebra. Sie erfordert viele Einzelberechnungen und eine Vielfalt von Parameter-Daten. Dies resultiert in Milliarden von MAC- (multiply-accumulate) Operationen, Hunderten von Megabytes an Parameterdaten, sowie eine Vielzahl von Operatoren. Und erfordert ein stark verteiltes Speicher-Subsystem.
Deshalb ist eine Bildverarbeitung in Echtzeit oder die Ausführung genauer Bild-Inferenzen mit effizientem Einsatz traditioneller Rechenverfahren mit PCs und GPUs oft recht schwierig durchzuführen, oder sie wird sehr ineffizient. Die Unternehmen im Healthcare-Bereich suchen daher intensiv nach alternativen Verfahren, um diese wachsende Herausforderung spezifischer Anforderungen an die Berechnungsverfahren auf möglichst praktikable Weise zu lösen.
Der Bedarf steigt auch in der Verwaltung
Ähnlich wie die Hersteller von medizinischem Equipment stehen auch die Klinik-Verwaltungen und die Anwender dieser neuen Systeme vor gewaltigen Herausforderungen. Mit der exponentiell wachsenden Anzahl mobiler Netzwerke im Gesundheitswesen wächst auch die Anzahl der Systeme auf den Netzwerken entsprechend stark, was astronomische Datenmengen generiert. Das erfordert zusätzliche Netzwerk-Zugriffe für häufigeres Patching und schafft eine höhere Vulnerabilität im System. Zugleich lockt es mehr Cyberattacken an.
All das erfordert einen besseren Schutz der abgespeicherten Patientendaten und beim Zugriff auf diese Daten. Außerdem müssen alle medizinischen Instrumente auf dem Netzwerk gegen Cyber-Bedrohungen geschützt werden. Sie brauchen einen fehlersicheren Mechanismus für die Patientensicherheit und erfordern hohe Verfügbarkeit. Außerdem müssen sie ihren vorgegebenen Energieverbrauch erfüllen und gleichzeitig unter der Kostenperspektive praktikabel sein. Das bringt beim Blick auf das eingesetzte Computersystem zahlreiche spezifische Herausforderungen - sowohl für die Hersteller von medizinischen Instrumenten wie für die Anwender in der klinischen Datenverarbeitung und der Administration.
Heterogene Architekturen bevorzugt
Um alle diese Herausforderungen anzugehen, müssen wir andere als die gewohnten Von-Neumann Rechner-Architekturen ins Auge fassen. Die Innovation der Architekturen ist somit der Schlüssel als Treiber der Trends und der Nachfrage nach eng gekoppelten, heterogenen und adaptiven Computer-Plattformen in Healthcare-Applikationen.
Xilinx gehört zu den führenden Lieferanten von kritischen Komponenten für die Hersteller von Healthcare- und Medizinsystemen. Sie werden in unterschiedlich großen Applikationen mit eingebetteter Elektronik eingesetzt. Das gilt für ARM Prozessor-basierte SoCs (system on chips) und auch für die programmierbare Logik oder FPGAs, also für Lösungen, die im Feld reprogrammierbar sind. Die Produkte von Xilinx finden sich in medizinischen Bildverarbeitungssystemen wie Ultraschall-, Röntgengeräten oder anderen Systemen der bildgebenden Diagnostik sowie in der Chrirurgie.
Die Technologie ermöglicht heterogene und adaptierbare Architekturen. Sie realisiert heterogene Computer mit verteilter Speicherarchitektur für die Echtzeitverarbeitung.Damit können Unternehmen im Gesundheitswesen genaue und schnelle Diagnosefähigkeiten anbieten. Das Zynq UltraScale+ MPSoC mit seinen adaptierbaren FPGAs (Field Programmable Gate Array), den integrierten Beschleuniger für Deep Learning (DPU), integrierten DSPs (digital signal processor) und ARM Multiprozessorsysteme ermöglicht die genaue Bild-Klassifizierung und Detektion. Die MPSoC-Multiprozessoren verwenden eine AI-Inferenz in nahezu Echtzeit mit geringer Latenz und niedrigem Leistungsverbrauch.
Ökosystem für Entwickler
Vor kurzem kam die ACAP-Familie (Adaptive Compute Acceleration Platform) der Versal Multiprozessor-SoCs (system-on-chip) auf den Markt. Sie bieten integrierte Beschleuniger für Deep Learning und eine SIMD- (Single-Instruction-Multiple-Data) VLIW Engine (Very Long Instruction Word). Sie wird auch als AI-Engine (AIE) bezeichnet. Die Bausteine sind so ausgelegt, dass sie eine parallele Signalverarbeitung von High-Speed Daten in nahezu Echtzeit ausführen. Das bedeutet, ihre Rechenkapazität kann 100 Tera Operationen pro Sekunde (TOPs) überschreiten. Diese Bausteine verbessern die Effizienz bei der Lösung von komplexen Healthcare ML-Algorithmen. Und sie unterstützen die signifikante Beschleunigung der oben beschriebenen Healthcare-Applikationen.
Diese Auslegung wird ergänzt durch ein Ökosystem für die Entwickler von Algorithmen und Applikationen. Xilinx stellt dazu einen vollständigen End-to-End Workflow bereit. Dies ermöglicht Software- und Hardware-Entwicklern und Data Scientists den Einsatz der Unified Software Plattform Vitis zur Applikationsentwicklung, und von Vitis AI bei der Optimierung und beim Einsatz der beschleunigten ML Inferenz.
Exklusiv: Dieser Artikel erschien bereits in der medical design 4/2021. Im Rahmen unserer Themenwoche »embedded goes medical« bieten wir Ihnen diesen Artikel auch als kostenfreien PDF-Download an.
Free Download: SoC - Mit der Komplexität Schritt haltenLesen Sie mehr zum Thema
