A NVIDIA, em colaboração com a Siemens Healthineers, anunciou o NV-Raw2Insights-US, um novo pipeline de reconstrução de imagens de ultrassom que utiliza IA para aprender diretamente a partir dos sinais brutos capturados pelo transdutor — e não mais das imagens já reconstruídas. O objetivo é adaptar o foco da imagem em tempo real, ajustando-se à física específica de cada paciente.
Do sinal ao insight: abordagem Raw2Insights
Tradicionalmente, imagens de ultrassom são formadas a partir de pipelines engenheirados, que simplificam os dados brutos e assumem, por exemplo, velocidade constante do som nos tecidos. O NV-Raw2Insights-US inverte essa lógica: aprende a partir do sinal original, preservando a riqueza de informações sobre como o som realmente atravessa o corpo. Isso permite ao modelo estimar, em tempo real, mapas personalizados de velocidade do som e corrigir o foco da imagem para cada paciente.
Segundo o anúncio, o sistema reduz erros introduzidos por suposições simplificadas e permite um ajuste fino do foco, algo que antes exigia processamento complexo e demorado. Com a IA, a correção ocorre em um único passo de inferência.
Integração e arquitetura
O acesso aos dados brutos de ultrassom — normalmente indisponíveis em equipamentos clínicos — é viabilizado por uma solução de hardware e software: o Holoscan Sensor Bridge (HSB), desenvolvido pela NVIDIA. Utilizando FPGAs (como o Altera Agilex-7) e GPUs de classe Blackwell, os dados são transferidos em alta velocidade do scanner (via DisplayPort) para a GPU, onde o NV-Raw2Insights-US realiza a inferência acelerada. O resultado, um mapa de velocidade adaptativo, é devolvido ao scanner para aprimorar o fluxo de imagens ao vivo.
O pipeline é modular: com os dados já em memória da GPU, novos modelos de IA podem ser integrados sem grandes mudanças. A abordagem é compatível tanto com modificações só de software quanto com expansões de hardware.
Limitações e perspectiva
O NV-Raw2Insights-US está em fase investigacional e não possui aprovação regulatória para uso clínico. O acesso ao dado bruto depende de integração customizada e hardware especializado. Ainda assim, o projeto sinaliza uma transição de paradigmas: da reconstrução tradicional para um ultrassom verdadeiramente orientado por IA, com potencial de ampliar a precisão e personalização do diagnóstico médico.
Mais detalhes, referências técnicas e código estão disponíveis no release oficial.