在眾多優化游戲中，在《博德之門3》、《F1 23》、《生化危機4》等游戲里開啟HYPR-RX之后，RX 7600 XT顯卡的游戲性能最大提升幅度達到136%，同時銳龍8700G APU的性能也得到提升，最高達86%。
還沒升級的朋友抓緊升級Adrenalin 24.5.1版驅動吧，下載地址：
(8719910)
著科技進步，人們對高性能計算機硬件的關注度日益增加，特別是對顯卡的需求。本文將向您介紹四款最新發布的RTX4090顯卡。
首先是影馳推出的RTX4070S 4070Ti 4080SUPER 4090名人堂PLUS星耀OC金屬顯卡白條 RTX4070TI OC LAB PLUS名人堂 RTX4070TI OC LAB PLUS 名人堂。此款顯卡不僅性能強大，而且還搭載了智能啟停技術和智能超頻功能，確保用戶在游玩過程中享受最佳的游戲體驗。此外，該產品的外觀設計也十分吸引眼球，適合那些注重生活品質的玩家選購。
接下來要介紹的是華碩出品的ROG STRIX GeForce RTX 4090 O24G GAMING電競游戲顯卡猛禽4090黑色 OC超頻 標準。這款顯卡以出色的電競游戲性能著稱，同時還配備了領先的光線追蹤技術，可呈現更為真實的圖像效果。而其金屬框架的設計則賦予整體產品一種高級感。
再者，我們還有七彩虹的iGame GeForce RTX 4090 D Vulcan W 白火神 GDDR6X 24G大顯存 游戲電競電腦顯卡 【4090 D】白火神。這款顯卡的一大特色在于其內置的智能啟停技術和金屬支架，既能提升工作效率，又能防止顯卡受損。除此之外，24GB的大顯存為用戶提供暢快無比的游戲畫質。
最后，我們要提到的就是英偉達自家的RTX30系列 4090渦輪系列 原廠公版 深度學習計算GPU運算加速顯卡 NVIDIA RTX4090 24G公版 NVIDIA RTX4090 24G公版。此款顯卡的最大優勢在于其獨特的渦輪風扇散熱系統，能有效減少顯卡工作時所產生的熱量，保障顯卡的穩定性和使用壽命。同時，它還能支持PCIe4.0協議，讓您的設備數據傳輸速度進一步提升。
綜上所述，以上四款RTX4090顯卡均表現出色，在性能與穩定性方面皆無可挑剔。無論是游戲玩家還是專業人員，都能在這幾款產品中找到符合自己需求的選擇。如果您正需要一款高性能的顯卡，請務必考慮上述的產品哦！
(8623626)
文將深入分析 DICOM 醫學影像的解碼功能。AWS HealthImaging 利用 NVIDIA 的 nvJPEG2000 庫來實現此功能。我們將深入探討圖像解碼的復雜性，并介紹 AWS HealthImaging，以及 GPU 加速解碼解決方案帶來的進步。
通過 GPU 加速的 nvJPEG2000 庫，踏上在 AWS HealthImaging 中提高吞吐量和降低醫療影像解密成本的旅程，代表著在云環境中實現運營效率的一大步。這些創新有望節省大量成本，預測表明此類工作負載的潛在成本降低總計數億美元。
JPEG 2000
JPEG 2000 的實施要面對相當大的復雜性，因為早期遇到的互操作性問題阻礙了不同系統之間的無縫整合。然而，高吞吐量 JPEG 2000（HTJ2K）編碼系統的出現代表了圖像壓縮技術的重大進展。JPEG 2000 標準的第 15 部分概述的 HTJ2K 利用更有效的 FBCOT（優化截斷的快速塊編碼）替代原始塊編碼算法 EBCOT（優化截斷的嵌入式塊編碼），以提高吞吐量。
這項新標準解決了解碼速度的限制，并為 JPEG 2000 在醫學影像領域更廣泛地應用打開了大門。HTJ2K 同時支持無損壓縮和有損壓縮，在保留關鍵醫療細節和實現高效存儲之間實現了平衡。具有任意寬度和高度的灰度圖和彩色圖像以及每個通道多達 16 位的支持，展示了 HTJ2K 的適應性。新標準對分解級別沒有限制，支持廣泛的選項。
nvJPEG2000 庫
隨著 GPU 加速技術的進步，nvJPEG2000 進一步提高了 HTJ2K 的解碼性能。這種進步釋放了 JPEG 2000 在醫學影像處理中的真正潛力，為醫療健康提供商、研究人員和開發人員提供了可行且高效的解決方案。nvJPEG2000 提供一個 CAPI ，包括用于解碼單個圖像的 nvjpeg2kDecode 和用于解碼圖像中特定圖塊的 nvjpeg2kDecodeTile 等函數。該庫提供了：
為了確保可用性、高性能以及生產準備，本文將探討如何將 HTJ2K 解碼與 MONAI 框架結合起來。MONAI 是一種專為醫學影像分析設計的框架。MONAI Deploy App SDK 提供高性能功能，并有助于在醫學影像 AI 應用程序中進行調試。本文還深入探討了使用 AWS HealthImaging、MONAI 和 nvJPEG2000 進行醫學影像處理所帶來的成本效益。
采用 AWS HealthImaging
管理企業級醫學影像存儲
得益于無損 HTJ2K 編碼和 AWS 高性能網絡主干，AWS HealthImaging 提供亞秒級圖像檢索，并可快速訪問云中圖像。它與工作流無關，可無縫集成到現有的醫學成像工作流中。它符合 DICOM 標準，確保在醫學影像通信中具有互操作性并符合行業標準。該服務提供本地 API，可實現可擴展和快速的圖像提取，以適應不斷增長的醫學影像數據。
GPU 加速的圖像解碼
為進一步增強圖像解碼性能，AWS HealthImaging 專門利用 NVIDIA nvJPEG2000 庫支持 GPU 加速。此 GPU 加速可確保快速高效地對醫學影像進行解碼，使醫療健康提供商能夠以前所未有的速度訪問關鍵信息。HTJ2K 解碼的支持功能包含廣泛的選項，可適應不同的圖像類型、大小、壓縮需求和解碼場景，使其成為各種圖像處理應用程序的通用選擇。這些功能包括：
AWS HealthImaging 演練
在此演示中，我們展示了 AWS HealthImaging 的使用情況。我們演示了利用 GPU 加速接口使用 SageMaker 多模型端點進行圖像解碼的過程。
圖 1. AWS 網絡主干接口
第 1 步：暫存 DICOM 圖像
首先，將您的 DICOM 圖像暫存到 Amazon S3 存儲桶中。AWS HealthImaging 與合作伙伴產品集成，可提供各種工具，以在指定的 S3 存儲桶中上傳和整理 DICOM 圖像數據。您可以在 AWS 開放數據計劃公開的 S3 存儲桶中找到包含合成醫學成像數據的開放數據集，例如合成一致性。
第 2 步：調用 API 以導入 DICOM 數據
在 S3 存儲桶中暫存 DICOM 影像后，下一步是調用原生 API 將 DICOM 數據導入 AWS HealthImaging。此托管 API 有助于實現流暢的自動化流程，從而確保您的醫學影像數據得到高效傳輸，并為進一步優化做好準備。
第 3 步：在數據湖中索引 DICOM 標頭
成功導入后，從 AWS HealthImaging 中檢索 DICOM 標頭，解壓縮數據 Blob，并將這些 JSON 對象寫入數據湖 S3 存儲桶。從這里，您可以利用 AWS 數據湖分析工具，例如，用 Amazon Glue 生成數據目錄，用 Amazon Athena 執行臨時 SQL 查詢，以及用 Amazon QuickSight 來構建數據可視化控制面板。您還可以將圖像元數據與其他健康數據模式相結合，以執行多模態數據分析。
第 4 步：訪問醫學影像數據
借助托管 API，訪問將成為無縫體驗。AWS HealthImaging 可讓您以亞秒級的速度以高性能和精細的方式訪問成像數據。
AWS 合作伙伴的 PACS 查看器和 VNA 云端解決方案可以將圖像查看應用程序與 AWS HealthImaging 集成。這些應用程序經過優化，可提供用戶友好且高效的體驗，以大規模查看和分析醫學影像。AWS 合作伙伴 PACS 的示例包括 Allina Health案例研究、Visage Imaging 和 Visage AWS。
科學家和研究人員可以利用 Amazon SageMaker 來執行 AI 和 ML 建模，以獲得高級見解，并自動執行審查和標注任務。Amazon SageMaker 與 MONAI 可用于開發強大的 AI 模型。使用 Amazon SageMaker notebook，用戶可以從 AWS HealthImaing 中檢索像素幀，并使用開源工具（例如 itkwidget）創建 SageMaker 托管訓練作業或模型托管端點。
作為符合 HIPAA 標準的服務，AWS HealthImaging 提供靈活性，允許遠程用戶安全訪問和審計醫療影像數據。訪問控制由 Amazon Identity and Access Management 來管理，確保授權用戶對 ImageSet 數據的訪問被精細控制。訪問活動也可以通過 Amazon CloudTrail 跟蹤。
第 5 步：支持 GPU 的 HTJ2K 解碼
在典型的 AI 或 ML 工作流（CPU 解碼路徑）中，HTJ2K 編碼的像素幀將加載到 CPU 顯存中，然后解碼并轉換為 CPU 中的張量。GPU 可以復制和處理這些像素。nvJPEG2000 可以從 AWS HealthImaging 中提取已編碼的像素，并直接將其解碼為 GPU 顯存（GPU 解碼路徑），而 MONAI 具有內置功能，可將圖像數據轉換為可隨時輸入到深度學習模型中的張量。與 CPU 解碼方法相比，它的路徑更短，如圖 2 所示。
圖 2. AWS HealthImaging API 接口
此外，nvJPEG2000 的 GPU 加速可顯著提高解碼性能，降低延遲并增強整體響應速度。該庫與 Python 無縫集成，為開發者提供熟悉且強大的環境來執行圖像解碼任務。
演示 Notebook，運行在 Amazon SageMaker 上，展示了如何以可擴展且高效的方式集成和利用 GPU 加速圖像解碼的強大功能。在我們的實驗中，SageMaker g4dn.2 xlarge 實例上的 GPU 解碼速度比 SageMaker m5.2 xlarge 實例上的 CPU 解碼速度快 7 倍（圖 3）。
圖 3. 與 CPU 相比，GPU 上的圖像解碼實現的加速
本實驗中，我們使用了合成一致性數據集。對于不同大小的數據集，GPU 加速表現出相似的加速系數。上面標記的圖像集包含腦 MRI 和像素幀。這些像素幀表示 DICOM MRI 圖像，并以壓縮的 HTJ2K 數據格式進行編碼。
成本效益分析
AWS HealthImaging 與先進的圖像解碼技術相結合，不僅能提高效率，還能為醫療保健組織提供經濟高效的解決方案。所提議的解決方案具有巨大的端到端成本優勢，特別是考慮到通過 GPU 加速實現的驚人吞吐量加速。
單臺設備的加速 NVIDIA T4 GPU 在 EC2 G4 實例上的性能提升約為 CPU 基準的 5 倍，而 EC2 G6 實例上的新 GPU 通過使用多個 GPU 實例進行擴展，性能表現出近乎線性的可擴展性，在四個 NVIDIA T4 GPU 和 4 個 NVIDIA GPU 實例上分別達到 19 倍和 48 倍。
在解碼性能方面，我們使用 OpenJPEG 進行了比較分析。對于 CT1 16 位 512×512 灰度圖像，我們注意到不同 GPU 配置的速度顯著提高了 2.5 倍。此外，對于尺寸為 3064×4774 的 MG1 16 位灰度圖像，我們在各種 GPU 設置中實現了驚人的 8 倍速度提升。
為了全面評估年度云成本和能源使用情況，我們根據標準分割工作負載進行計算。此工作負載涉及每分鐘向 MONAI 服務器平臺上傳 500 個 DICOM 文件。我們的成本估算目前僅考慮 T4 GPU，預計未來將使用其他GPU。我們假設使用 Amazon EC2 G4 實例。
在這種情況下，在單個 T4 GPU 上處理 DICOM 工作負載的年度成本估計約為 7400 萬美元，而與 CPU 流程相關的成本為 3.454 億美元。這意味著云支出大幅減少，預測表明此類醫院工作負載可能會節省數億美元。
在單個 T4 GPU 上，與 CPU 基準相比，端到端吞吐量加速大約快 5 倍。在新的 GPU 上，這種加速進一步提升到快 12 倍左右。當使用多個 GPU 實例時，性能幾乎呈線性擴展。例如，使用 4 個 T4 GPU 時，加速大約達到 19 倍。
考慮到對環境的影響，能效是數據中心處理大型工作負載的關鍵因素。我們的計算表明，使用基于 GPU 的相應硬件時，以 GWh 為單位的年能耗顯著降低。具體來說，單個系統的能耗約為 CPU 服務器的十二分之一。
對于類似于示例 DICOM 視頻場景（每分鐘 500 小時的視頻）的工作負載，預計每年可節省數百 GWh 的能源。這些能源節省不僅具有經濟效益，而且還具有重大的環境意義。溫室氣體排放量的減少量相當可觀，約等于每年避免數萬輛乘用車的排放，每輛車每年行駛約 11000 英里。
為何選擇 nvImageCodec？
NVIDIA 提供 nvImageCodec 庫，為開發者提供用于圖像解碼任務的可靠高效解決方案。nvImageCodec 利用 NVIDIA GPU 的強大功能，可提供加速解碼性能，非常適合需要高吞吐量和低延遲的應用程序。
主要特性
用例
如何獲取 nvImageCodec
獲取 nvImageCodec 非常簡單。您可以從以下來源獲取：PyPI、NVIDIA 開發者專區，或是直接從 GitHub 庫獲取。下載后，您可以開始嘗試編碼和解碼示例，以提高圖像編解碼器管線的效率。
圖 4. 從 PyPI（左）、 NVIDIA 開發者專區（中）或 GitHub 庫（右）下載 nvImageCodec 軟件包
圖 5. nvImageCodec Python API 接口
如何批量解碼高吞吐量的
JPEG 2000 醫學影像
以下是一個 Python 示例，展示了使用 nvImageCodec 庫進行批量圖像解碼。此示例說明了如何使用 nvImageCodec 對 HTJ2K 圖像進行批量解碼。指定文件夾中的所有圖像均以無損 HTJ2K 格式壓縮，精度為 16 位。輸出確認所有醫學影像均已成功解碼，且無損質量（圖 6）。
import os; import os.path
from matplotlib import pyplot as plt
from nvidia import nvimgcodec
dir="htj2k_lossless"
image_paths=[os.path.join(dir, filename) for filename in os.listdir(dir)]
decode_params=nvimgcodec.DecodeParams(allow_any_depth=True, color_spec=nvimgcodec.ColorSpec.UNCHANGED)
nv_imgs=nvimgcodec.Decoder().read(image_paths, decode_params)
cols=4
rows=(len(nv_imgs)+cols-1)//cols
fig, axes=plt.subplots(rows, cols); fig.set_figheight(2*rows); fig.set_figwidth(10)
for i in range(len(nv_imgs)):
axes[i//cols][i%cols].set_title("%ix%i : %s"%(nv_imgs[i].height, nv_imgs[i].width, nv_imgs[i].dtype));
axes[i//cols][i%cols].set_axis_off()
axes[i//cols][i%cols].imshow(nv_imgs[i].cpu(), cmap='gray')圖 6. nvImageCodec 批量解碼圖像
如何批量解碼多個 JPEG 2000 圖塊
以下是一個 Python 示例，展示了使用 nvImageCodec 庫進行基于塊的圖像解碼來處理大型圖像。這個示例展示了如何使用 nvImageCodec 解碼相當大小的 JPEG 2000 壓縮圖像的過程。每個圖塊代表一個感興趣的區域(ROI)，其大小為 512x512 像素。
解碼過程包括將圖像分割為圖塊，確定區域總數，然后使用 nvImageCodec 根據每個圖塊的索引對其進行解碼，從而提供特定的圖塊解碼信息。生成的輸出會顯示與不同圖塊相關的信息。
from matplotlib import pyplot as plt
import numpy as np
import random; random.seed(654321)
from nvidia import nvimgcodec
jp2_stream=nvimgcodec.CodeStream('./B_37_FB3-SL_570-ST_NISL-SE_1708_lossless.jp2')
def get_region_grid(stream, roi_height, roi_width):
regions=[]
num_regions_y=int(np.ceil(stream.height / roi_height))
num_regions_x=int(np.ceil(stream.width / roi_width))
for tile_y in range(num_regions_y):
for tile_x in range(num_regions_x):
tile_start=(tile_y * roi_height, tile_x * roi_width)
tile_end=(np.clip((tile_y + 1) * roi_height, 0, stream.height), np.clip((tile_x + 1) * roi_width, 0, stream.width))
regions.append(nvimgcodec.Region(start=tile_start, end=tile_end))
print(f"{len(regions)} {roi_height}x{roi_width} regions in total")
return regions
regions_native_tiles=get_region_grid(jp2_stream, jp2_stream.tile_height, jp2_stream.tile_width) # 512x512 tiles
dec_srcs=[nvimgcodec.DecodeSource(jp2_stream, region=regions_native_tiles[random.randint(0, len(regions_native_tiles)-1)]) for k in range(16)]
imgs=nvimgcodec.Decoder().decode(dec_srcs)
fig, axes=plt.subplots(4, 4)
fig.set_figheight(15)
fig.set_figwidth(15)
i=0
for ax0 in axes:
for ax1 in ax0:
ax1.imshow(np.array(imgs[i].cpu()))
i=i + 1結束語
無論您是醫療健康機構、研究人員還是開發者，JPEG 2000 與尖端技術一起，為醫學成像的關鍵領域開辟了新的創新途徑。AWS HealthImaging 與先進的壓縮標準和 GPU 加速相結合，成為致力于增強診斷能力和提高患者治療效果的醫療健康專業人員的重要工具。
這項創新還為高性能多模式數據分析開辟了新途徑，無縫集成基因組、臨床和醫學成像數據，以提取有意義的洞察。云上托管的數據科學平臺簡化了模型訓練和部署流程。利用這些進步，并通過加速和可靠的圖像解碼來推動醫療健康行業的未來發展。
想要開始使用，請查看更多介紹：