硬件部署深度学习模型,用于从数字乳腺扫描图像对乳腺癌进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 早期发现癌症可以显著改善治疗结果.
• 基于人工智能 (AI) 和深度学习 (DL) 的计算机辅助诊断 (CAD) 系统越来越多地用于初始疾病查.
• 深度学习模型在乳腺癌诊断方面表现有前途,但经常受到高计算复杂性的困扰,阻碍了实时应用.

研究的目的:

• 开发一个小型化的深度神经网络 (NN),以减少乳腺癌诊断中的硬件部署的计算复杂性.
• 使用现场可编程网关阵列 (FPGA) 加快量化NN,以提高速度和降低功耗.
• 提供一个有效的AI驱动工具,以协助放射科医生解释数字乳房影像.

主要方法:

• 提出了一个微型神经网络 (NN) 架构,以减少模型参数和计算负载.
• 采用量子化技术,以进一步优化NN用于硬件实现.
• 利用现场可编程门阵列 (FPGA) 来实现量子化NN的硬件加速,重点关注速度和功率效率.

主要成果:

• 拟议的小型化和FPGA加速的NN显示了较低的计算复杂性和功耗.
• 在基准数据集 (DDSM,MIAS,INbreast) 上实现了高分类准确性.
• 该模型在综合数据集上获得了99.38%的整体准确性,表明了强大的诊断性能.

结论:

• 开发的人工智能方法提供了一个计算效率高,准确的解决方案,用于使用数字乳房造影来检测乳腺癌.
• 微型NN的FPGA加速显著提高了处理速度,并最大限度地降低了功耗.
• 这项技术在计算机辅助诊断方面呈现出有前途的进步,支持放射科医生及时准确地诊断乳腺癌.