支援ツールからリアルタイムの協働者へ: AI超音波診断が切り拓くエッジインテリジェンスの新時代
超音波診断装置の設計思想が、今、静かに変わり始めています。過去20年間、設計者にとって中心的な課題は、「プローブで取得したデータを、いかに高速にバックエンドの処理ユニットへ転送するか」ということでした。しかし現在、多くの開発者が新たな問いを投げかけています。それは、「そもそも、すべてのデータを転送する必要があるのか」という問いです。
この背景には、超音波診断におけるAI活用が、クラウドベースの支援からエッジでのリアルタイム処理へと移行していることがあります。AIは、撮像後の画像解析ツールから、リアルタイムのスキャンガイダンス、画質評価、さらには病変の予備的な検出にまで関与するようになっています。それに伴い、データ転送に伴う遅延や必要な帯域幅は、もはやバックエンド側だけの性能指標ではありません。ユーザー体験や臨床現場での使用体験を直接左右する、システム設計上の重要な制約条件となっています。
PCIeスイッチ:基板間の複数データソースを柔軟にルーティング
従来の超音波診断装置は、一般的に階層型の構成を採用しています。フロントエンドのアナログ・フロントエンド (AFE)とビームフォーミング用FPGAは、通常、別々の基板間、あるいは同一基板上で、LVDSやJESD204B/Cなどの高速シリアルリンクを介して接続されます。さらに、フロントエンドのデータ取得・処理モジュールは、PCIe、Serial RapidIO (SRIO)、Ethernet、または高速バックプレーンを通じて、バックエンドのCPU/GPUに接続されます。しかし、チャネル数やサンプリングレートの増加に加え、AI推論モジュールの統合が進むにつれて、いくつかの課題が顕在化しています。複数のデータソースが同じ転送経路を競合して使用すること、レイテンシの予測が難しくなること、そして帯域幅そのものがシステム性能を左右する制約となることです。
PCIeスイッチは、こうした課題に対し、基板間やアクセラレータ間を移動する複数の異種データソースを、柔軟かつ低レイテンシ・高帯域幅で転送するための「高速道路」のような役割を果たします。ただし、すべてのデータを一律に通過させる唯一の経路として機能することを目的としているわけではありません。
新世代の超音波診断プラットフォームでは、プローブからの信号をADC (アナログ・デジタル変換器)でデジタル化し、まずデータ取得用FPGAまたはアダプティブSoCでチャネル単位の前処理を行います。その後、ビームフォーミング後の画像フレーム、抽象化された特徴量、ダウンサンプリングされたメタデータなど、基板間の転送が必要なデータのみをPCIeスイッチ経由でバックエンドのアクセラレータカードへ動的にルーティングします。
AI処理も、その種類に応じてデータ処理チェーン内の異なる場所で実行されます。
- Rawデータ領域のAI処理: チャネル品質のモニタリングやビームフォーミングパラメータの適応的な調整などは、ビームフォーミング前の生のRFデータを直接処理できます。これらの処理には極めて低いレイテンシが求められるため、フロントエンドのFPGAまたはSoC上で完結させる必要があります。
- 画像領域のAI処理: セグメンテーション、検出、分類などの処理は、FPGAによるビームフォーミングが完了し、画像フレームが生成された後に実行されます。生成された画像フレームはPCIeスイッチを介してNPU、GPU、またはアダプティブSoC内のAI Engineへ送られ、リアルタイム推論が行われます。
- 制御情報の転送: システムログやデバイスのステータスなどの制御情報には、PCIeのトラフィッククラスなどの仕組みを利用して、独立したQoS (Quality of Service:サービス品質) 制御を適用できます。これにより、重要なデータ転送経路において、制御情報がデータプレーンの帯域幅を圧迫することを防ぎます。
このアーキテクチャの本質的な価値は、単なる高速化ではなく、必要なデータを、必要な場所へ、適切に振り分けられることにあります。データの種類に応じて異なる転送経路を選択し、優先度の異なるタスクには、それぞれに適したリソースを割り当てます。共有バス型アーキテクチャで発生する物理層での調停や競合を軽減し、帯域幅の競合をスイッチングファブリック内で管理可能なリソース配分に集約することで、システム全体のエンドツーエンドのレイテンシを大幅に低減できます。
さらに、システムレベルでは、PCIeスイッチによって複数デバイスを接続するトポロジーやルーティングの再構成が可能となり、モジュール単位での拡張にも対応できます。次世代のプローブ用インターフェースカードやAIアクセラレータカードを追加する場合でも、バックプレーン全体を再設計する必要はありません。スイッチ層のルーティングテーブルを再設定することで対応できます。
ヘテロジニアス・コンピューティングとオンチップでのデータ局所化:データ発生源に近い場所でAI推論を実行
従来、超音波診断装置のデータ処理は、プローブからフロントエンドFPGA、さらにバックエンドのCPU/GPUへと順次受け渡される、いわば「ウォーターフォール型」の構造でした。データは階層間を移動するたびに転送され、処理が進められていました。しかし現在では、AIモデルが画像処理パイプラインそのものに組み込まれ、ビームフォーミング、画像再構成、さらにはプローブ側でのデータ取得段階から予備的な推論を実行することが求められています。そのため、データを発生源に近い場所に保持し、そこで処理することが重要になっています。
これを実現するには、ヘテロジニアス・コンピューティング(異種混合コンピューティング)機能と、データを局所的に処理するためのハードウェア基盤が必要です。例えば、専用のAIアクセラレータコアやDSPコアをFPGAまたはSoCに統合することで、AI推論処理の一部をローカルで実行し、PCIeバスを経由せずに完結させることができます。このアーキテクチャは、処理遅延を低減するだけでなく、チップ間のデータ転送に伴う消費電力も大幅に削減します。
アヴネットのパートナーであるAMDは、こうしたヘテロジニアス・コンピューティングを実現するハードウェア基盤として、第2世代Versal™アダプティブSoCを提供しています。例えば、第2世代Versal AI Edgeシリーズでは、プロセッシングシステムのスカラー性能が前世代比で最大10倍に向上し、DDR5およびLPDDR5Xメモリをサポートしています。また、新しいAI Engineは、対応するデータ型を拡充するとともに、TOPS/W(ワット当たりの演算性能)で測定したエネルギー効率を前世代比で最大3倍に高めています。AI Engine、プログラマブルロジック、Armマルチコアプロセッサ、そして第2世代Network-on-Chip(NoC2)を統合したこのプラットフォームは、高度なビームフォーミングアルゴリズムや画像再構成をはじめとする、高い処理性能が求められるアプリケーションに適しています。

AIによる動的データ圧縮と選択的転送
超音波画像診断では、毎秒数百MBから数十GBに及ぶ生のRF (Radio Frequency: 高周波) データが生成されることがあります。これらすべてのデータをAIエンジンに転送すると、膨大な帯域幅が必要になるだけでなく、不必要な処理遅延も発生します。そこで、AIを活用した次世代医療技術における重要な進化の一つとして、「何を圧縮し、何を転送するか」という判断そのものにAIを活用するアプローチが注目されています。
超音波診断装置では、従来から可逆圧縮や準可逆圧縮、スパース表現や固有値分解に基づくRFデータ圧縮、JPEG、H.264、HEVCなどの画像・動画コーデックが利用されてきました。しかし、これらの方式には臨床的な意味情報を理解する仕組みがなく、画像内の各領域を診断上の重要性に応じて直接区別することはできません。そのため、次世代の超音波診断装置では、臨床的な意味情報を考慮する「セマンティック・アウェア圧縮 (Semantic-aware Compression)」が重要な技術として注目されています。
この方式では、AIモデルがビームフォーミング後の画像データを解析し、血流信号や組織の境界など、診断に重要な情報を含む領域を特定します。そして、こうした重要領域には可逆圧縮または準可逆圧縮を適用する一方、それ以外の領域にはより高い圧縮率を適用します。このように、データの重要性に応じて圧縮率を使い分ける選択的転送によって、診断品質を損なうことなく、転送するデータ量を大幅に削減できます。
さらに、検査内容に応じて圧縮方式を動的に調整することも可能です。例えば、心臓超音波検査では、AIが心周期の中から拡張末期などの重要なフレームを特定し、それらの画質を優先して転送できます。一方、産科スクリーニングでは、胎児の輪郭を正確に保持することに重点を置いたデータ処理が可能になります。このように、臨床的な意味や重要性に基づいてデータ管理を行うアプローチは、超音波診断装置が単なる「データを運ぶシステム」から、情報の価値を判断して最適に管理する「インテリジェントな情報管理システム」へと進化していることを示しています。
まとめ
AIがクラウドベースの支援からエッジでのリアルタイム処理へと進化することで、医療現場に浸透し、医療従事者の認知的な負担を軽減する存在になりつつあります。エッジAIの活用は、超音波診断だけでなく、内視鏡、ウェアラブルモニタリングなど、さまざまな医療アプリケーションへと広がっています。
アヴネットは、エコシステムパートナーとの連携を通じて、AIを単なる支援ツールから、リアルタイムで医療従事者と協働する不可欠な存在へと進化させる取り組みを続けていきます。これにより、高品質な医療を実現する技術やリソースを、すべての患者に対して、より公平かつ効率的に届けることを目指します。