优化DnCNN的卷积层使用Vedic乘数和超参数调在现场可编程门数组上的癌症检测中
S Roobini Priya1, Prema Vanaja Ranjan1, Shanker Nagalingam Rajediran2
1Department of EEE, CEG Campus Anna University, Chennai, Tamil Nadu, India.
Current medical imaging
|June 27, 2025
概括
这项研究引入了一种新的深度学习方法,用于乳腺癌检测,使用深度卷积神经网络 (DnCNN) 的Vedic乘法. 优化的系统在细分和分类乳腺病变方面取得了很高的准确性.
科学领域:
- 医疗成像医学成像
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 算法使用算术单位 (AU) 来处理图像,但由于量子化错误,固定精度限制了DL的准确性.
- 癌细胞细分的准确性往往会被传统DL硬件固有的这些量化错误所降低.
研究的目的:
- 为了提高乳腺癌检测,细分和分类准确度.
- 解决DL中固定精度算法的局限性,用于医疗图像分析.
主要方法:
- 在深层卷积神经网络 (DnCNN) 的卷积层中用Vedic乘法取代标准乘法.
- 优化了基于Vedic乘法的DnCNN架构,使用了Pelican优化算法 (POA).
- 在现场可编程门阵列 (FPGA) 上实现了优化的POA-DnCNN,用于实时分析乳腺癌.
主要成果:
- 混合-Vedic (HV) 乘法器"CUTIN",集成到DnCNN的卷积层中,处理浮点运算.
- 该HV-FPGA系统实现了96.3%的精度,94.54%的精度,92.37%的特异性,93.56%的F分数,94.78%的IOU和95.45%的DSC.
- 在检测乳腺癌阶段和分类病变方面表现优于现有方法.
结论:
- 拟议的CUTIN乘法器,将Vedic数学原理与携带保存加法器 (CSA) 和简化和携带生成逻辑 (CSCGL) 结合起来,提供了更高的精度和速度.
- 在FPGA上优化的POA-DnCNN为乳腺癌检测提供了高效和准确的解决方案.
- 该系统展示了在医学成像应用中减少面积延迟和提高处理速度的潜力.
