基于深度学习的注释和分割可以大幅加快模型开发和医学影像分析的速度。然而，从零开始开发高性能且精确的深度神经网络非常具有挑战性，而且很耗费时间。所需数据集的成本和质量往往是开发者要面对的两大主要障碍。为帮助加快医学影像领域的创新，NVIDIA 宣布推出适用于医学影像的迁移学习工具包和 AI 辅助注释 SDK。

通过 NVIDIA 迁移学习工具包 (TLT)，医学影像领域的深度学习应用程序开发者可以利用 NVIDIA 预训练模型，展开简单易用的训练工作流程，进而利用自己的数据集微调并重新训练模型。

TLT 是一个 Python 软件包，其中每个模型都在 NVIDIA Pascal、Volta 和 Turing GPU 上进行优化和训练，以达到更高精确度。

在 2018 年 MICCAI 上，NVIDIA 凭借使用自动编码器正则化方法进行的 3D 核磁共振成像 (MRI) 脑部肿瘤分割，获得了BrATS 挑战赛第一名。作为医学影像软件 TLT 的一部分，NVIDIA 在首个公开发布版本中提供此预训练模型。对多模态 MR 数据和 3-D 胰腺进行 3-D 脑部肿瘤分割以及对门静脉期 CT 数据进行肿瘤分割是在公共数据集上训练的部分模型，这些数据集可以在工具包中轻松获取。

使用 NVIDIA 迁移学习工具包，开发者可以加快部署并减少构建应用程序所需的计算资源。利用此工具包，研究人员还可以将预训练模型扩展到自己的工作中。通过简单易用的 API，开发者可以快速地调整并使用此技术。

使用 TLT 工作流程的模型也可以轻松部署至 Clara 平台中以进行推理。

TLT 将可用于 NVIDIA Tesla 和 DGX 产品。

当涉及治疗和诊断时，放射科医生最终需要花费数小时仔细检查一张患者的 3D 图像。这是一个枯燥乏味的过程，放射科医生必须逐个切片查看 CT 或 MRI 扫描图像，手工绘制、注释和修正他们关注的器官或异常情况。然后对特定的器官或异常情况的所有 3D 图像切片重复这一步骤。

NVIDIA 的 AI 辅助注释 SDK 能够以 10 倍的速度大大加快此过程，并有助于更快地发现异常情况。这是通过使应用程序开发者和数据科学家将 AI 辅助注释 SDK 集成至他们现有的应用程序中，将 AI 辅助工作流程用于放射线照相来实现的。

AI 辅助注释 SDK 利用 NVIDIA 的迁移学习工具包不断自我学习，所以每个添加注释的新图像都可以用作训练数据，进一步提高所提供的预训练深度学习模型的精确度。

“我们可以获得 NVIDIA 的 AI 辅助注释技术，并在几天的时间内将其集成至我们的图像浏览器，”MGH & BWH Center for Clinical Data Science 的执行董事 Mark Michalski 说。“我们目前需要注释大量的图像 – 有时一天大约一千张或更多，所以任何有助于自动执行此过程的技术都可能极大地减少注释时间和成本。我们非常激动可以利用 AI 辅助工作流程并与 NVIDIA 共同解决这些至关重要的医学影像问题。”

如果您想要详细了解 NVIDIA 的 AI 辅助注释 SDK 以及如何将其集成至您的个人应用，以在医学影像中使用 AI 辅助工作流程。

“整个放射科都需要参与进来，从而在研究和临床环境下成功地实施 AI，”NVIDIA 医疗保健部门主管 Abdul Hamid Halabi 说。“这款注释 SDK 可以使放射科在其现有的工作流程中轻松释放数据的价值。利用迁移学习工具包，放射科医生可以对现有的所有 AI 应用程序进行调整，使之适合自己的病人。”