在使用FPGA的超声波成像中加速推断甲状腺结节的识别

科学领域:

• 医疗成像医学成像
• 计算机工程 计算机工程
• 内分泌学 在内分泌学.

背景情况:

• 甲状腺癌的发病率正在上升,需要有效的诊断工具.
• 目前的中央处理单元 (CPU) 和图形处理单元 (GPU) 对医疗图像分析的速度,能耗和成本都有限制.
• 现有的硬件对于未来的绿色,高效和可访问的医疗保健诊断是不够的.

研究的目的:

• 提出一种高效的量化推理方法,使用现场可编程门阵列 (FPGA) 来识别甲状腺结节.
• 在处理速度,能源消耗和可扩展性方面克服传统CPU和GPU的局限性.
• 为了提高超声波图像分析的速度,准确性和环境可持续性.

主要方法:

• 在ZYNQ7020 FPGA平台上使用YOLOv4微型神经网络模型.
• 实现K-means++优化以提高软件性能.
• 应用了8位重量量化,批量规范化和卷积层融合,以提高硬件性能.

主要成果:

• 在Tn3k数据集上达到81.44%的平均准确度,在内部测试集上达到81.20%.
• FPGA的功耗为3.119W,明显低于CPU (45W) 和GPU (68W) 的功耗.
• FPGA的能量效率是CPU的17.6倍,高端GPU的效率相当,功耗显著降低.

结论:

• 基于FPGA的量化推断为医学成像诊断提供了一个新的,高效的解决方案,特别是用于甲状腺结节的识别.
• 这种方法在速度上显著优于CPU,在功耗和能源效率上显著优于GPU.
• 中低端的FPGA可以达到与商业GPU相当的性能,为可持续和可访问的医疗成像分析铺平了道路.