[发明专利]一种基于机器学习的医疗影像辅助诊断系统

说明书

本发明公开了一种基于机器学习的医疗影像辅助诊断系统，其特征在于，包括1)对神经网络模型的训练过程；2)将网络模型量化移植到嵌入式软硬件平台。本发明采用Xilinx最新推出的Zynq UltraScale+MPSoC作为处理器，将训练好的网络模型量化移植到嵌入式软硬件平台上，由ARM负责整个系统的调度和部分计算，FPGA对卷积、池化等运算进行并行运算来减少运算时间，通过ARM与FPGA的协同工作，达到深度学习常用的处理器GPU所不具备的性能。

技术领域

本发明涉及人工智能识别和医疗影像诊断领域，具体地说，特别涉及到一种基于机器学习的医疗影像辅助诊断系统。

背景技术

现有的深度卷积神经网络有GoogLeNet和VGGNet，GoogLeNet是一个22层的深度网络，计算机软硬件对非均匀稀疏数据计算效率很差，GoogLeNet模型重新启用了全连接层，其目的是为了能够更好地优化并行计算。GoogLeNet提出的Inception结构既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能。

VGGNet网络结构由5层卷积层、3层连接层、softmax输出层构成，层与层之间使用max-pooling分开，所有隐层的激活单元都采用ReLU函数。VGGNet使用多个较小卷积核(3X3)的卷积层代替一个卷积核较大的卷积层，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合能力。

由于GoogLeNet网络采用了Inception结构，既保持了网络结构的稀疏性，又利用密集矩阵的高性能计算。虽然层数较多，但在利用密集矩阵的高计算性能条件下，提高了运算效率。因此GoogLeNet网络模型更适合进行迁移学习来解决相似度较大的问题。

现有的开发平台有NVIDIA Pasca架构以及Xilinx Zynq UltraScale+^TM MPSoC架构。NVIDIA Pasca架构的开发平台是由NVIDIA公司推出的新一代开发平台，面向嵌入式市场，号称“嵌入式领域的AI超级电脑”。这是一块集成Linux系统的开发板，使用的是代号“Parker”6核Tegra处理器(与Drive PX2同款)，256核Pascal架构核心GPU，具备极强的AI运算能力，比上一代TX1有更大进步，而且整机功耗低于7.5W，专为无人机、智能机器人、无人驾驶、智慧城市以及医疗工业设备等打造；ZCU102评估套件可帮助设计人员快速启动面向汽车、工业、视频以及通信应用的设计。该套件具有基于Xilinx 16nm FinFET+可编程逻辑架构的Zynq UltraScale+^TM MPSoC器件，提供一款四核Cortex-A53、双核Cortex-R5实时处理器以及一款Mali-400 MP2图像处理单元。ZCU102支持所有可实现各种应用开发的主要外设及接口。

嵌入式GPU由于图像不能在有限的内部缓存内的功能间传递，使得运算每一阶段都需要使用外部DDR。这样就消耗了大量时间在连续访问内存上；ZYNQ可编程逻辑架构，使用内部ARM按需提供缓存。避免在DDR内存储中间元，无需连续访问外部存储器。这样不仅可降低图像处理的时延，而且还能降低功耗，甚至提高确定性，因为无需与其他系统资源共享访问。因此使用Xilinx Zynq UltraScale+^TM MPSoC架构可实现更快的处理速度和较低的功耗，且SOC的硬件部分(FPGA)可重复配置。

随着机器学习的不断发展，caffe框架逐渐成为一个主流的工业级深度学习工具，它实现了常用的图像相关的机器学习算法,比如卷积和池化等，但是caffe看不够灵活，在caffe中，每个节点被当做一个层，因此如果想要一种新的层类型，需要定义完整的前向、后向和梯度更新过程。这些层是网络的构建模块，需要在无穷无尽的列表中进行选择。除此之外，基于层的网络结构，其扩展性不好，对于新增加的层，需要自己实现。

发明内容