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

项目概览

自最早作为日本文部科学省下属的部级指定研究中心成立以来，广岛大学纳米元件与生物融合科学研究所一直以来通过开展关键技术研发工作，在预防医学和疾病早期诊断普及化方面结合电子技术和生物技术，致力于将先进的医疗提供给大众。该研究所目前正通过开发使用机器学习来量化肿瘤产生和侵袭性的技术，帮助肿瘤学前沿的医疗从业人员减轻工作负担。

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。”

责任编辑：lq