項目概覽

自最早作為日本文部科學省下屬的部級指定研究中心成立以來，廣島大學納米元件與生物融合科學研究所一直以來通過開展關鍵技術研發工作，在預防醫學和疾病早期診斷普及化方面結合電子技術和生物技術，致力于將先進的醫療提供給大眾。該研究所目前正通過開發使用機器學習來量化腫瘤產生和侵襲性的技術，幫助腫瘤學前沿的醫療從業人員減輕工作負擔。

方案：基于圖像且以機器學習推斷為特性的癌癥診斷支持解決方案

廣島大學采用賽靈思 Alveo U250 加速器卡，加速了基于圖像且以機器學習推斷為特性的癌癥診斷解決方案。讓我們看看他們是怎么做的吧。

行業挑戰

診斷任務的目的是根據醫生的經驗和專業知識，判斷結腸鏡檢查中發現的異常是屬于增生性息肉、良性腺瘤，還是侵襲性癌癥。判斷的基礎是結腸鏡檢查圖像中的血管圖案和表面特征。這就特別需要診斷支持系統提供量化指標，幫助醫生簡化這項工作，從而降低因經驗水平不同而導致地診斷結果的變化。此外，這種基于圖像的診斷是在結腸鏡檢查過程中做出的，僅使用常規的軟件技術，能實現的實時性能相當有限。

廣島大學納米元件與生物融合科學研究所副教授Tetsushi Koide對此表示，“為判斷是否有癌癥發生，醫生需要使用結腸鏡實時觀察病變處的表面特征和血管圖案，以判斷是否存在腫瘤，尤其是否屬于侵襲性腫瘤。醫生在進行這方面的判斷時，主要是基于已掌握的總體證據，包括小血管不規則情況和表面特征等參數在內。相應地，醫生的經驗水平和以往接觸過的病例都會對其診斷結果產生影響。對于剛開始接觸內窺鏡檢查且缺乏經驗的醫生來說，他們很難做出客觀的判斷。”換言之，雖然最終的癌癥診斷是由專家醫生做出的，但由于人工觀察內窺鏡圖像而導致的可變性仍不可避免。

廣島大學基于圖像且以機器學習推斷為特性的癌癥診斷解決方案

解決方案

提供一套能夠基于結腸鏡檢查圖像數據的 AI （機器學習）來量化病變發展，協助醫生做出診斷的系統。該系統采用賽靈思 Alveo U250 加速器卡提升實時處理速度。系統的微型化和優化是通過賽靈思 Zynq UltraScale+ MPSoC 實現的，其結合了嵌入式軟件與硬件邏輯的異構架構平臺，可以作為邊緣設備使用。

圖 1：Alveo U250 UltraScale+ MPSoC

圖 2：Zynq UltraScale+ MPSoC

使用 Alveo U250 加速器卡的計算機輔助診斷系統的特性包括：

?借助運行在量化 Caffe 模型上的 AlexNet IP 實現高速 AI

?依托于 Alveo 加速器卡的 SVM 實現方案已經開發完成并進入演示階段

?通過在 MPSoC 器件上使用服務器 CPU 和 Alveo 加速器卡配置，即可在邊緣解決方案中采用該技術。

軟件開發使用賽靈思 Vitis 統一軟件平臺。使用 Vitis 平臺提供的領域專用開發環境，FPGA 編程僅用時三個月。

成效

將以前學習過的數據整合到卷積神經網絡 (CNN) 中，用作實時評估內窺鏡視頻輸入的依據。

在使用該 CNN 和支持向量機 (SVM) 執行推斷時，CNN 性能是關鍵問題。運行 CNN 需要將來自 30fps 全高清（FHD，1,920 x 1,080 像素）視頻中的每一幀細分成（例如）16 個區域以調整大?。?24x224 像素），方便輸入到推斷引擎中。因為每個推斷操作都需要處理大約 1.89GB/s 的數據，所以 16 個區域的并行評估需要 1.89GB/s x 16 ≒ 30GB/s 的處理能力。這超出了常規 CPU（例如 x86 或 Arm 處理器）的性能水平。

然而使用賽靈思 Alveo U250 加速器卡處理該數據，該研究所成功地構建出具備足夠處理性能的系統，能夠實時執行視頻圖像任意 16 個區域的 CNN/SVM 推斷。實際上，這 16 個區域的并行評估是通過并行運行 Alveo U250 卡的四個處理單元來實現的。

圖 3：借助 Alveo U250 卡實現實時處理

廣島大學納米元件與生物融合科學研究所副教授 Tetsushi Koide 表示：“這項研究是與廣島大學醫院及 JR 廣島醫院合作開展的。使用賽靈思 Alveo 卡推動我們的研究為醫療成像診斷支持系統提速，實現了常規 CPU 到日前無法企及的基于 AI 的圖像評估速度。”

責任編輯：lq