
MedTech-F&E: Krebserkennung mit Computer Vision beschleunigt
Verstärkung eines Forschungsteams, um eine KI für medizinische Bildgebung schneller und präziser zu machen.
Die Herausforderung
M.V Labs hatte einen brillanten Algorithmus, aber eine langsame Ausführung. Das Modell brauchte 5 Minuten pro Scan und war damit in klinischen Abläufen unbrauchbar. Es fehlten Ingenieure, die sowohl Deep Learning als auch High-Performance Computing (C++/CUDA) verstanden.
Die Lösung
Die Forschungsleiter von M.V Labs gaben das Ziel vor: Inferenzzeit und Falsch-positiv-Rate senken, ohne Genauigkeit zu opfern. GTEMAS stellte dem F&E-Team dafür 2 Computer Vision Engineers und 1 MLOps-Spezialisten, unabhängige Spezialisten im Rahmen eines Dienstleistungsvertrags mit GTEMAS. Innerhalb der bestehenden Forschungsgruppe schrieben unsere Ingenieure die Inferenz-Pipeline von Python in optimiertes C++ mit TensorRT um und entwarfen das Modell als 3D-U-Net neu, das den volumetrischen Kontext berücksichtigt, statt Schicht für Schicht zu scannen. Das senkte die Falsch-positiv-Rate, die die FDA-Einreichung aufgehalten hatte.
Architekturansatz
Hybride Cloud-Architektur, die DICOM-Bilder auf Edge-Servern mit dem NVIDIA Triton Inference Server verarbeitet.
Ergebnisse und Wirkung
Die Optimierung der Geschwindigkeit war der Schlüssel zur Marktreife. Das Produkt ist heute in über 40 Krankenhäusern in der EU im Einsatz.
Verarbeitungszeit (zuvor 5 Min.)
Falsch-positiv-Rate gesenkt, ohne die Sensitivität zu opfern
2 Computer Vision Engineers und 1 MLOps-Spezialist
Bereit für Ihre eigene Erfolgsgeschichte?
Mit Global Tech Masters bauen Sie skalierbare, leistungsstarke digitale Produkte.