NV-Raw2Insights-US革命性超声声速估计AI模型完全指南【免费下载链接】NV-Raw2Insights-US项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Raw2Insights-USNV-Raw2Insights-US是一款革命性的超声声速估计AI模型它能够从原始传感器数据中估计空间变化的声速SoS图帮助波束形成器校正局部组织特性生成更清晰的超声图像就像相机的自动对焦功能一样但专门针对超声成像。 什么是NV-Raw2Insights-US传统超声成像假设声音在人体内各处传播速度相同但实际上不同组织的声速不同这会导致图像模糊。NV-Raw2Insights-US通过AI技术解决了这一难题它从原始超声同相/正交IQ通道数据中估计2D声速图为超声成像带来了质的飞跃。 核心功能声速重建从原始波束形成前的通道数据中重建声速自适应波束形成利用估计的声速图进行自适应波束形成声学成像中的逆问题学习解决声学成像中的复杂逆问题学习与物理基声速求解器比较为研究提供新的视角⚠️ 注意该模型仅用于研究和开发不是经过临床验证的医疗设备不应用于临床诊断目的。 模型架构解析NV-Raw2Insights-US采用两阶段卷积管道架构包括RF编码器和SoS估计头。主要组件组件架构作用第一阶段 - RF编码器沿快时间轴的1D CNN将每个通道的复杂IQ样本编码为潜在表示第二阶段 - SoS头2D CNN将聚合的潜在变量解码为32 x 32的声速图该模型总共有230万参数编码器36.1万 解码器198万没有使用基础模型而是从零开始训练的。 设计特点RF编码器沿快时间深度轴独立地对每个通道进行卷积两阶段分解将表示学习与特定任务估计分离潜在空间可重用于其他下游任务如B模式重建、像差校正训练分为两个阶段第一阶段通过端到端方式最小化预测值与DBUA生成的真实SoS图之间的MSE 输入与输出规格输入参数NV-Raw2Insights-US的输入是超声IQ同相/正交通道数据为复值数值张量具体规格如下属性规范形状180 x 180 x 1024发射 x 接收 x 时间样本值类型复数基带解调IQ换能器Siemens 15L4线性阵列采集多静态序列180个连续的单元素发射预处理推理前需要进行基带解调输出参数模型的输出是声速图为实值2D数值数组float32具体规格如下属性规范形状32 x 32像素单位米每秒m/s预期范围1400 -- 1600 m/s⚠️ 注意超出1400-1600 m/s范围的值表示分布外推断不应信任。 软件集成与部署运行环境要求运行时引擎PyTorch支持的硬件微架构NVIDIA Ampere或更新版本推荐支持的操作系统Linux我们的AI模型设计和/或优化为在NVIDIA GPU加速系统上运行。通过利用NVIDIA的硬件如GPU核心和软件框架如CUDA库该模型实现了比仅使用CPU的解决方案更快的训练和推理时间。 模型获取与安装要开始使用NV-Raw2Insights-US首先需要克隆仓库git clone https://gitcode.com/hf_mirrors/nvidia/NV-Raw2Insights-US项目中包含两个预训练模型文件phase1.ptphase2.pt 模型版本信息版本状态描述v0.1-dev积极开发中两阶段架构1D CNN RF编码器 2D CNN SoS头通过DBUA地面实况进行MSE训练 训练与评估数据集训练数据集数据模态超声通道捕获IQ通道数据复值3D张量 [180, 180, 1024] float32和标量元数据训练数据大小磁盘上640 GB2,391个样本Apache Arrow格式数据收集方法自动/传感器西门子医疗研究超声扫描仪180元素线性阵列探头标记方法自动/传感器 — 所有标签都来自采集的传感器数据不涉及人工注释评估数据集数据收集方法自动/传感器西门子医疗研究超声扫描仪演示体模采集标记方法自动/传感器 — 与训练数据相同的派生标记管道属性350个验证样本与训练数据具有相同的模态、格式和传感器注意此数据集不会公开。⚖️ 伦理考虑NVIDIA认为可信AI是一项共同责任我们已经建立了政策和实践以支持广泛的AI应用开发。当按照我们的服务条款下载或使用时开发人员应与他们的内部模型团队合作确保该模型满足相关行业和用例的要求并解决不可预见的产品误用问题。如发现模型质量、风险、安全漏洞或NVIDIA AI问题请在此处报告。 许可证信息NV-Raw2Insights-US采用CC BY-NC 4.0许可证 — 需要署名仅允许非商业使用。 发布日期Hugging Face 2026年4月 参考文献W. Simson, L. Zhuang, S. J. Sanabria, N. Antil, J. J. Dahl, and D. Hyun, Differentiable Beamforming for Ultrasound Autofocusing, inInternational Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp. 428--437, Springer, 2023.【免费下载链接】NV-Raw2Insights-US项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Raw2Insights-US创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考