基于图像的基于机器学习推理的癌症诊断支持解决方案
项目概述广岛大学纳米成分与生物融合科学研究所自最早成立为日本教育，文化，体育，科学和技术部下属的部长级研究中心以来，一直在进行关键研究和开发。技术和将电子技术集成到预防医学中以及早期疾病诊断的普及。
技术和生物技术致力于为公众提供先进的医疗服务。该研究所目前正在通过开发利用机器学习来量化肿瘤发生和侵袭性的技术，来帮助处于肿瘤前沿的医生减少他们的工作量。
解决方案：具有机器学习推理功能的基于图像的癌症诊断支持解决方案广岛大学使用Xilinx AlveoU250加速卡来加速具有机器学习推理功能的基于图像的癌症诊断解决方案。让我们看看他们是如何做到的。
行业对诊断任务的挑战是根据医生的经验和专业知识来判断结肠镜检查中发现的异常是增生性息肉，良性腺瘤还是侵袭性癌症。判断的依据是结肠镜检查图像中的血管图案和表面特征。
这特别需要诊断支持系统提供定量指标，以帮助医生简化这项工作，从而减少由于经验水平不同而导致的诊断结果变化。另外，这种基于图像的诊断是在结肠镜检查期间仅使用常规软件技术进行的，并且可以实现的实时性能非常有限。
广岛大学纳米成分与生物融合科学研究所副教授哲志哲（Tetsushi Koide）说：“为了确定是否已发生癌症，医生需要使用结肠镜检查病灶的表面特征和血管形态实时确定是否存在肿瘤，尤其是是否存在侵袭。性肿瘤。
当医生在这方面做出判断时，他们主要是基于他们掌握的总体证据，包括诸如小血管不规则和表面特征之类的参数。相应地，医生的经验水平和以前的病例将是正确的。
诊断结果会产生影响。对于内窥镜新手和经验不足的医生来说，他们很难做出客观的判断。
”换句话说，尽管最终的癌症诊断是由专家医生做出的，但是由于手动操作，观察内窥镜图像引起的可变性仍然是不可避免的。广岛大学基于图像和机器学习推断的癌症诊断解决方案提供了一套基于结肠镜检查图像数据的AI（机器学习），以量化病变的发展并协助医生进行诊断。
该系统使用Xilinx AlveoU250加速卡来提高实时处理速度。通过Xilinx ZynqUltraScale + MPSoC实现了系统的小型化和优化，该Xilinx ZynqUltraScale + MPSoC将异构架构平台与嵌入式软件和硬件逻辑相结合，可以用作边缘设备。
图1：AlveoU250UltraScale + MPSoC图2：使用AlveoU250加速器卡的ZynqUltraScale + MPSoC计算机辅助诊断系统的功能包括：✓通过在定量Caffe模型上运行的AlexNetIP实现高速AI✓已开发基于Alveo加速器卡的SVM实现完成并进入演示阶段✓通过在MPSoC器件上使用服务器CPU和Alveo加速卡配置，该技术可以在边缘解决方案中采用。软件开发使用Xilinx Vitis统一软件平台。
使用Vitis平台提供的特定领域开发环境，FPGA编程只需三个月。成就将以前学习的数据集成到卷积神经网络（CNN）中，并将其用作实时评估内窥镜视频输入的基础。
使用此CNN和支持向量机（SVM）进行推理时，CNN性能是关键问题。要运行CNN，需要将30fps全高清（FHD，1,920x1,080像素）视频中的每一帧细分为（例如）16个区域，以调整大小（224x224像素），以便轻松输入到推理引擎。
由于每个推理操作需要处理约1.89GB / s的数据，因此对16个区域的并行评估需要1.89GB / sx16×30GB / s的处理能力。这超出了常规CPU（例如x86或Arm处理器）的性能水平。
但是，使用Xilinx AlveoU250加速卡处理数据，该研究所成功构建了一个具有足够处理性能的系统，该系统可以在视频图像的任何16个区域中实时执行CNN / SVM推理。实际上，并行评估。
技术和生物技术致力于为公众提供先进的医疗服务。该研究所目前正在通过开发利用机器学习来量化肿瘤发生和侵袭性的技术，来帮助处于肿瘤前沿的医生减少他们的工作量。
解决方案：具有机器学习推理功能的基于图像的癌症诊断支持解决方案广岛大学使用Xilinx AlveoU250加速卡来加速具有机器学习推理功能的基于图像的癌症诊断解决方案。让我们看看他们是如何做到的。
行业对诊断任务的挑战是根据医生的经验和专业知识来判断结肠镜检查中发现的异常是增生性息肉，良性腺瘤还是侵袭性癌症。判断的依据是结肠镜检查图像中的血管图案和表面特征。
这特别需要诊断支持系统提供定量指标，以帮助医生简化这项工作，从而减少由于经验水平不同而导致的诊断结果变化。另外，这种基于图像的诊断是在结肠镜检查期间仅使用常规软件技术进行的，并且可以实现的实时性能非常有限。
广岛大学纳米成分与生物融合科学研究所副教授哲志哲（Tetsushi Koide）说：“为了确定是否已发生癌症，医生需要使用结肠镜检查病灶的表面特征和血管形态实时确定是否存在肿瘤，尤其是是否存在侵袭。性肿瘤。
当医生在这方面做出判断时，他们主要是基于他们掌握的总体证据，包括诸如小血管不规则和表面特征之类的参数。相应地，医生的经验水平和以前的病例将是正确的。
诊断结果会产生影响。对于内窥镜新手和经验不足的医生来说，他们很难做出客观的判断。
”换句话说，尽管最终的癌症诊断是由专家医生做出的，但是由于手动操作，观察内窥镜图像引起的可变性仍然是不可避免的。广岛大学基于图像和机器学习推断的癌症诊断解决方案提供了一套基于结肠镜检查图像数据的AI（机器学习），以量化病变的发展并协助医生进行诊断。
该系统使用Xilinx AlveoU250加速卡来提高实时处理速度。通过Xilinx ZynqUltraScale + MPSoC实现了系统的小型化和优化，该Xilinx ZynqUltraScale + MPSoC将异构架构平台与嵌入式软件和硬件逻辑相结合，可以用作边缘设备。
图1：AlveoU250UltraScale + MPSoC图2：使用AlveoU250加速器卡的ZynqUltraScale + MPSoC计算机辅助诊断系统的功能包括：✓通过在定量Caffe模型上运行的AlexNetIP实现高速AI✓已开发基于Alveo加速器卡的SVM实现完成并进入演示阶段✓通过在MPSoC器件上使用服务器CPU和Alveo加速卡配置，该技术可以在边缘解决方案中采用。软件开发使用Xilinx Vitis统一软件平台。
使用Vitis平台提供的特定领域开发环境，FPGA编程只需三个月。成就将以前学习的数据集成到卷积神经网络（CNN）中，并将其用作实时评估内窥镜视频输入的基础。
使用此CNN和支持向量机（SVM）进行推理时，CNN性能是关键问题。要运行CNN，需要将30fps全高清（FHD，1,920x1,080像素）视频中的每一帧细分为（例如）16个区域，以调整大小（224x224像素），以便轻松输入到推理引擎。
由于每个推理操作需要处理约1.89GB / s的数据，因此对16个区域的并行评估需要1.89GB / sx16×30GB / s的处理能力。这超出了常规CPU（例如x86或Arm处理器）的性能水平。
但是，使用Xilinx AlveoU250加速卡处理数据，该研究所成功构建了一个具有足够处理性能的系统，该系统可以在视频图像的任何16个区域中实时执行CNN / SVM推理。实际上，并行评估。