An efficient FPGA implementation of cnn specialized in image recognition for breast cancer

Görüntü işlemenin popülaritesi ve sağladığı avantajlar nedeniyle tıp sektöründe özellikle hastalıkların teşhisinde görüntü işleme teknolojisi kullanılarak yeni alanlar kurulmaya başlanmıştır. Teşhis için kullanılan bilgiler görüntü pikselleri içinde korunur ve teşhisin kalitesi, her pikselde korunan bilgi miktarı veya kalitesi ile sınırlandırılır. Sorun, bazı/belirli görüntülerde yeterli piksel bilgisi olmadığında ortaya çıkar, bu da onu belirtilen tüm uygulamalar altında işlemeye uygun hale getirmez. Başka bir deyişle, herhangi bir görüntü tarafından korunan bilginin değeri, her pikselin koruduğu şeyin bir fonksiyonudur. Bu sorun, yalnızca gri kanallarla ilgili bilgilerin mevcut olduğu ve hiçbir kronik bilginin bulunmadığı gri tonlamalı görüntülerde (tıbbi uygulamalarda yaygın olarak kullanılan) kendini gösterir. Bu nedenle, görüntünün piksel bilgisi yalnızca bir değerle temsil edildiğinden (gri tonlamalı kanal) gri tonlamalı görüntüler görüntü işleme için uygun değildir ve gri tonlamalı herhangi iki görüntü arasında (aynı olay/nesne için varsayılır) güçlü bir korelasyon sağlanamaz. ). Evrişim sinir ağları, yüz, nesne ve aktivite tanıma dahil olmak üzere çok çeşitli sınıflandırma zorluklarına ulaştı. Ancak, kısa geliştirme süresi performans ve enerji ekonomisi pahasına gelir. PYNQ geliştirme kartları, son zamanlarda FPGA prototiplerinin CPU veya GPU'larınkine eşdeğer olduğu bir olgunluk düzeyine ulaşmış olsa da, FPGA prototipleme, gömülü CNN uygulamaları geliştirmek için hala sağlam bir alternatiftir. Burada yayınlanan araştırma, açık kaynaklı bir çerçeve kullanarak FPGA prototiplemeyi hızlandıracak bir tasarımı açıklamaktadır; CNN destekli FPGA uygulamalarını hızlı bir şekilde geliştirmek için basitleştirilmiş bir platform sunar. Bu tezde önerilen çerçeve, çok çeşitli ağ özellikleri için programlanabilen ve zaman açısından verimli bir şekilde üstün performans sunan yüksek seviyeli evrişimli ağları içermektedir. Bu çalışmada, meme kanseri tespiti için bir evrişimsel sinir ağı (CNN) kullanılmıştır; bu nedenle, CNN modelinin eğitimi için büyük, renkli biyopsi görüntüleri kullanılır. Rastgele orman, k-en yakın komşular, saf Bayes, destek vektör makinesi vb. gibi diğer modeller de kullanıldı. CNN sonunda kanser tahmininin doğruluğunu %97'ye kadar koruyabilir. Ayrıca VGG-16, AlexNet, ResNet-18, ShuffleNet ve LeNet gibi önceden eğitilmiş derin öğrenme paradigmaları da aynı amaç için kullanıldı. Önerilen CNN ağı, birçok derin öğrenme ağından daha iyi performans gösterdi. Anahtar Kelimeler : Evrişimli sinir ağı (CNN), sahada programlanabilir kapı dizisi (FPGA), ZYNQ için Python üretkenliği (PYNQ), Merkezi işlem birimleri (CPU'lar), Grafik işleme birimleri (GPU'lar)