广岛大学：如何运用赛灵思 Alveo 加速器卡加速基于 AI 的医疗诊断

  项目概览

客户：广岛大学纳米元件与生物融合科学研究所

成立时间：1986

公司网址：http://www.RNBS.hiroshima-u.ac.jp/

行业：健康/医疗

方案：基于图像且以机器学习推断为特性的癌症诊断支持解决方案

广岛大学采用赛灵思 Alveo U250 加速器卡，加速了基于图像且以机器学习推断为特性的癌症诊断解决方案。让我们看看他们是怎么做的吧。

行业挑战

诊断任务的目的是根据医生的经验和专业知识，判断结肠镜检查中发现的异常是属于增生性息肉、良性腺瘤，还是侵袭性癌症。判断的基础是结肠镜检查图像中的血管图案和表面特征。这就特别需要诊断支持系统提供量化指标，帮助医生简化这项工作，从而降低因经验水平不同而导致地诊断结果的变化。此外，这种基于图像的诊断是在结肠镜检查过程中做出的，仅使用常规的软件技术，能实现的实时性能相当有限。

广岛大学纳米元件与生物融合科学研究所副教授Tetsushi Koide对此表示，“为判断是否有癌症发生，医生需要使用结肠镜实时观察病变处的表面特征和血管图案，以判断是否存在肿瘤，尤其是否属于侵袭性肿瘤。医生在进行这方面的判断时，主要是基于已掌握的总体证据，包括小血管不规则情况和表面特征等参数在内。相应地，医生的经验水平和以往接触过的病例都会对其诊断结果产生影响。对于刚开始接触内窥镜检查且缺乏经验的医生来说，他们很难做出客观的判断。”换言之，虽然最终的癌症诊断是由专家医生做出的，但由于人工观察内窥镜图像而导致的可变性仍不可避免。

广岛大学基于图像且以机器学习推断为特性的癌症诊断解决方案

解决方案

提供一套能够基于结肠镜检查图像数据的 AI （机器学习）来量化病变发展，协助医生做出诊断的系统。该系统采用赛灵思 Alveo™ U250 加速器卡提升实时处理速度。系统的微型化和优化是通过赛灵思 Zynq® UltraScale+™ MPSoC 实现的，其结合了嵌入式软件与硬件逻辑的异构架构平台，可以作为边缘设备使用。

图 1：Alveo U250 UltraScale+ MPSoC

图 2：Zynq UltraScale+ MPSoC

使用 Alveo U250 加速器卡的计算机辅助诊断系统的特性包括：

借助运行在量化 Caffe 模型上的 AlexNet IP 实现高速 AI

依托于 Alveo 加速器卡的 SVM 实现方案已经开发完成并进入演示阶段

通过在 MPSoC 器件上使用服务器 CPU 和 Alveo 加速器卡配置，即可在边缘解决方案中采用该技术。

软件开发使用赛灵思 Vitis™ 统一软件平台。使用 Vitis 平台提供的领域专用开发环境，FPGA 编程仅用时三个月。

成效

将以前学习过的数据整合到卷积神经网络 (CNN) 中，用作实时评估内窥镜视频输入的依据。

在使用该 CNN 和支持向量机 (SVM) 执行推断时，CNN 性能是关键问题。运行 CNN 需要将来自 30fps 全高清（FHD，1,920 x 1,080 像素）视频中的每一帧细分成（例如）16 个区域以调整大小（224x224 像素），方便输入到推断引擎中。因为每个推断操作都需要处理大约 1.89GB/s 的数据，所以 16 个区域的并行评估需要 1.89GB/s x 16 ≒ 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。

然而使用赛灵思 Alveo U250 加速器卡处理该数据，该研究所成功地构建出具备足够处理性能的系统，能够实时执行视频图像任意 16 个区域的 CNN/SVM 推断。实际上，这 16 个区域的并行评估是通过并行运行 Alveo U250 卡的四个处理单元来实现的。

图 3：借助 Alveo U250 卡实现实时处理

广岛大学纳米元件与生物融合科学研究所副教授 Tetsushi Koide 表示：“这项研究是与广岛大学医院及 JR 广岛医院合作开展的。使用赛灵思 Alveo 卡推动我们的研究为医疗成像诊断支持系统提速，实现了常规 CPU 到日前无法企及的基于 AI 的图像评估速度。”