Table of Contents
背景
超声成像是医学影像中使用最广泛的技术之一，因其安全性、实时性、便携性和低成本。然而，传统超声图像重建依赖于波束成形（Beamforming）算法，该算法对物理过程做了简化假设——例如假设整个身体中声速恒定（约1540 m/s）。实际上，不同组织（脂肪、肌肉、骨骼）的声速差异很大，这种简化导致图像模糊、畸变，尤其在肥胖或组织异质性强的患者身上更为明显。2026年4月28日，NVIDIA与西门子医疗的研究人员合作发布了NV-Raw2Insights-US模型，该模型直接从超声探头的原始传感器信号（channel data）学习，而非从已重建的图像入手。这种“原始到洞察”（Raw2Insights）的方法旨在捕捉被传统重建流程丢弃的丰富物理信息。
核心内容分析
NV-Raw2Insights-US的核心思想是：超声本质上不是图像，而是声音。临床医生看到的屏幕影像是对数百万从体内返回的微小回声进行重建的结果，但这个过程中，有关声音如何在组织中真实传播的细节被大幅简化甚至丢失。该模型从最原始的探头信号出发——这是声音与人体相互作用的最近似表征——从而能够“更仔细地倾听”并理解每个患者如何独特地塑造声波。
应用场景：自适应聚焦：首个Raw2Insights应用是估计声速分布以实现自适应图像聚焦。传统方法需要复杂且耗时的计算，而NV-Raw2Insights-US通过单个AI前向传播即可生成每位患者的个性化声速图，并实时用于图像校正。这意味着超声设备不再假设通用声速，而是为每个患者动态调整聚焦参数，从而显著提高图像分辨率和对比度，尤其是在困难成像条件下。
部署挑战与创新：原始超声通道数据通常带宽极高，在临床级扫描仪上不易直接获取。为此，NVIDIA推出了Holoscan Sensor Bridge（HSB），这是一种开源的FPGA IP，能够通过RoCE（RDMA over Converged Ethernet）实现高带宽、低延迟的数据传输到GPU。HSB解决了将原始数据从探头高效传输到AI处理管道的难题，使得实时推理成为可能。
NV-Raw2Insights-US的发布标志着NVIDIA在医学影像AI领域的战略升级：从处理已重建的图像转向处理原生传感器数据。这不仅适用于超声，也可能推广到其他依赖传感器阵列的成像模态，如雷达、声纳等。
行业影响/专业点评
NV-Raw2Insights-US代表了一种范式的转变：从“基于规则的图像重建”转向“基于学习的物理感知重建”。传统超声成像受限于手工设计的算法，这些算法在数学上易处理但物理上不准确。AI方法能够直接从数据中学习复杂的声学传播模型，从而突破物理假设的限制。
对临床实践的影响可能是深远的。更准确的声速估计意味着：更好的图像质量减少误诊；在肥胖患者等困难人群中获取更清晰的图像；减少操作者对图像优化的依赖，使超声更易用。此外，End-to-End AI超声成像的愿景意味着未来超声系统可能不再需要传统的波束成形硬件，全部由AI处理，这有望降低成本并推动便携式超声的普及。
但该技术也面临挑战：原始数据获取需要硬件升级（如HSB）；模型训练需要大量配对数据（原始信号+真实声速标签）；在法规和临床验证方面，端到端AI系统需要严格的性能评估。即便如此，NVIDIA与西门子医疗的这一合作已经为超声成像的未来指明了方向：让AI“理解”物理，为每位患者量身定制图像。
