Das Projekt zielt auf die Entwicklung einer innovativen, KI-gestützten Softwareplattform zur Echtzeitevaluierung der Ventilation bei Lungenkrebsoperationen auf Basis radiologischer Bildgebung ab. Um die Software optimal für die Echtzeitdatenverarbeitung vorzubereiten, wird eine dedizierte heterogene Rechenplattform untersucht und implementiert. Diese Plattform schafft durch softwaredefiniertes rekonfigurierbares Computing die Voraussetzung für Edge Processing und die Beschleunigung der KI- und ML-Algorithmen, die im Rahmen des Projekts entwickelt werden. Weiterhin verbessert dieser Ansatz die Energieeffizienz der Rechenelemente im Vergleich zu CPUs oder GPUs. Zum Einsatz kommt eine heterogene Rechenplattform, die CPUs, Vektorprozessoren und FPGA-Logik kombiniert. Ein Beispiel aus der Industrie ist die Versal-Architektur von Xilinx/AMD. Diese Struktur kann den Stromverbrauch verbessern sowie die Performance von ML- und KI-Algorithmen im Vergleich zu homogenen Plattformen dramatisch steigern. Ein weiterer wichtiger Schritt dazu ist die Quantisierung der Modelle, wobei FPGA-Plattformen sehr geringe Bitbreiten extrem effizient berechnen können. Bereits existierende Ansätze und Softwaretools, wie das Vitis AI Toolkit, sollen untersucht und genutzt werden. Darüber hinaus wird eine ML-Bibliothek entwickelt, die verschiedene Methoden wie Segmentierung, Regression, Detektion und Kernel-Methoden umfasst, um die Plattform optimal zu unterstützen und die Performance der KI-Modelle zu maximieren. Diese Bibliothek erhöht die Produktivität und damit den Wert der Softwareplattform, da bei Änderungen der KI-Modelle (bspw. durch Verwendung eines anderen Kernels) keine neue Implementierung notwendig wird.