走向高性能深度学习架构和硬件加速器设计,以在扩散相关谱学中进行可靠的分析
Zhenya Zang1, Quan Wang1, Mingliang Pan1
1Department of Biomedical Engineering, University of Strathclyde, Glasgow, United Kingdom.
Computer methods and programs in biomedicine
|November 12, 2024
概括
本研究介绍了一种紧的深度学习模型和硬件平台,用于在扩散相关谱学中更快地重建血液流量指数. 该系统提供了更高的准确性和实时处理,缩小了分散相关性光谱系统.
科学领域:
- 生物医学光学 生物医学光学
- 计算成像技术的成像
- 硬件加速器 硬件加速器
背景情况:
- 扩散相关谱 (DCS) 对于非侵入性血流监测至关重要.
- 准确的血液流量指数 (BFi) 重建是计算密集的.
- 现有的方法通常需要大量的后处理,缺乏小型化.
研究的目的:
- 在DCS中开发一个紧的深度学习 (DL) 架构,用于BFi重建.
- 创建一个高度并行计算硬件平台,用于实时BFi计算.
- 通过将BFi重建集成到芯片上来缩小DCS系统.
主要方法:
- 一个轻量级的DL架构使用模拟自相关函数 (ACF) 来训练,这些函数是从分析模型中生成的.
- 在FPGA (Zynq-7000和Zynq-UltraScale+) 上硬件实现,使用解卷,管道和像素智能并行.
- 简化DL计算原体使用减法来提取特征和固定点定量化.
主要成果:
- 与合成数据上的CNN相比,BFi和一致性因子β的平均平方误差 (MSE) 提高了66.7%和18.5%.
- 在Zynq-7000和Zynq-UltraScale+ FPGAs上分别启用了每秒10和15个ACF的实时处理.
- 证明了从强度光子数据到BFi和β的端到端芯片上的转换,超过独立硬件加速器的性能.
结论:
- 拟议的紧型DL架构和FPGA平台为微型DCS系统提供了高效的实时BFi重建.
- 这种集成的芯片解决方案消除了对后处理的需求,提高了DCS的实用性.
- FPGA加速器的计算效率与CPU和GPU解决方案进行了全面的比较.
