지난 수십 년간 의료용 초음파 영상 기술은 표준화된 수동 설계 파이프라인에 의존해 왔다. 전통적인 방식은 방대한 원시 데이터를 압축하여 영상을 재구성하는데, 이때 음속을 일정하게 가정하는 등 환자 조직의 고유한 물리적 특성을 놓치는 경우가 많았다. 이러한 한계를 극복하기 위해 NVIDIA와 Siemens Healthineers는 AI 중심의 진단 시스템인 NV-Raw2Insights-US를 공동 개발했다.

이 시스템은 초음파 데이터 처리 방식을 근본적으로 바꾼다. 기존에는 AI가 이미 재구성된 영상을 분석했지만, 새로운 모델은 프로브에서 발생하는 원시 신호를 직접 입력받아 초음파 에코를 더욱 정밀하게 분석한다. 특히 환자마다 다른 실제 음속을 실시간으로 추정하여 개인화된 음속 지도를 생성하고, 이를 통해 즉각적으로 영상의 초점을 교정하고 최적화한다.

기술 구현의 핵심은 의료 현장의 고성능 요구 사항을 충족하는 하드웨어와 소프트웨어 스택이다. 연구팀은 오픈소스 FPGA IP인 Holoscan Sensor Bridge를 사용하여 기존 스캐너에서 발생하는 고대역폭 데이터를 저지연으로 GPU에 직접 전송한다. 데이터가 시스템에 도달하면 Blackwell급 GPU 기반의 가속 추론 엔진이 이를 즉시 처리한다.

그 결과 의료진은 과거의 복잡한 수동 재구성 방식에서 발생하던 연산 지연 없이 고충실도의 적응형 영상을 얻을 수 있게 되었다. 이번 개발은 단순한 영상 선명도 개선을 넘어 '소프트웨어 정의 초음파' 시대로 나아가는 전환점이라 할 수 있다. 처리 과정이 고정된 하드웨어 파이프라인에서 벗어남에 따라, 앞으로 소프트웨어 업데이트와 모듈식 AI 확장을 통해 지속적인 성능 개선이 가능해졌다.

결과적으로 초음파 장비 자체가 적응형 AI 플랫폼으로 진화하며, 차세대 진단 영상 도구를 위한 확장 가능한 기반이 마련되었다. 이번 협력은 진단 기술의 정밀도를 높이는 동시에 하드웨어 중심의 기존 의료 기기 시장에 새로운 변화의 흐름을 제시하고 있다.

지난 수십 년간 의료용 초음파 영상 기술은 표준화된 수동 설계 파이프라인에 의존해 왔다. 전통적인 방식은 방대한 원시 데이터를 압축하여 영상을 재구성하는데, 이때 음속을 일정하게 가정하는 등 환자 조직의 고유한 물리적 특성을 놓치는 경우가 많았다. 이러한 한계를 극복하기 위해 NVIDIA와 Siemens Healthineers는 AI 중심의 진단 시스템인 NV-Raw2Insights-US를 공동 개발했다.

이 시스템은 초음파 데이터 처리 방식을 근본적으로 바꾼다. 기존에는 AI가 이미 재구성된 영상을 분석했지만, 새로운 모델은 프로브에서 발생하는 원시 신호를 직접 입력받아 초음파 에코를 더욱 정밀하게 분석한다. 특히 환자마다 다른 실제 음속을 실시간으로 추정하여 개인화된 음속 지도를 생성하고, 이를 통해 즉각적으로 영상의 초점을 교정하고 최적화한다.

기술 구현의 핵심은 의료 현장의 고성능 요구 사항을 충족하는 하드웨어와 소프트웨어 스택이다. 연구팀은 오픈소스 FPGA IP인 Holoscan Sensor Bridge를 사용하여 기존 스캐너에서 발생하는 고대역폭 데이터를 저지연으로 GPU에 직접 전송한다. 데이터가 시스템에 도달하면 Blackwell급 GPU 기반의 가속 추론 엔진이 이를 즉시 처리한다.

그 결과 의료진은 과거의 복잡한 수동 재구성 방식에서 발생하던 연산 지연 없이 고충실도의 적응형 영상을 얻을 수 있게 되었다. 이번 개발은 단순한 영상 선명도 개선을 넘어 '소프트웨어 정의 초음파' 시대로 나아가는 전환점이라 할 수 있다. 처리 과정이 고정된 하드웨어 파이프라인에서 벗어남에 따라, 앞으로 소프트웨어 업데이트와 모듈식 AI 확장을 통해 지속적인 성능 개선이 가능해졌다.

결과적으로 초음파 장비 자체가 적응형 AI 플랫폼으로 진화하며, 차세대 진단 영상 도구를 위한 확장 가능한 기반이 마련되었다. 이번 협력은 진단 기술의 정밀도를 높이는 동시에 하드웨어 중심의 기존 의료 기기 시장에 새로운 변화의 흐름을 제시하고 있다.