近日，TF2開源社區(網址：https://github.com/TF2-Engine/TF2)公布了一項最新創新成果：南開大學智能計算系統研究室(NKiCS)在AI眼底圖像血管分割研究中，借助浪潮FPGA開源框架TF2，將單張眼底圖像的推理速度提升2.4倍，在提高工作效率的同時有效地降低了計算功耗。這將推動眼底圖像分析技術在臨床應用，幫助醫生更快速地診斷與眼底相關聯的糖尿病及其他慢性疾病。

眼睛是人體健康的“鏡子”，眼底圖像可以間接反應腦血管系統等的病變情況，具有非侵入的優點。通過從檢眼鏡采集的彩色眼底圖像中提取視網膜血管，醫療人員能夠分析血管形態狀況，進行疾病預警、篩查和診斷。但是，受眼底圖像采集技術的限制，圖像中往往存在大量噪聲，再加之視網膜血管結構復雜多變，使得視網膜血管分割非常困難。人工智能深度學習技術能夠顯著提升血管分割的速度，幫助醫療人員快速、準確分析眼底血管形態，診斷糖尿病、心腦血管疾病等常見疾病。

眼底圖像(左)與血管圖像(右)

在實際應用中，由于血管分析模型參數量大、計算復雜度高等問題，一般需要昂貴的GPU才能達到較快的分割速度，不利于眼底圖像技術的臨床推廣應用。如何提高眼底圖像分割效率并降低TCO，是研究人員亟需解決的問題。NKiCS研究人員嘗試將高性能功耗比、可定制、低延遲的FPGA技術運用到眼底圖像血管分割中，但面臨FPGA軟件編寫門檻高、性能優化受限、功耗難以控制等挑戰。

浪潮FPGA開源框架TF2支持PyTorch、Caffe等深度學習框架，經過編譯技術即可適配訓練好的深度學習模型到FPGA上，而不需要任何的FPGA開發工作，可幫助用戶快速實現基于主流AI 框架和深度神經網絡模型(DNN)的FPGA線上推理，并通過首創的FPGA上DNN的移位運算技術獲得AI 應用的高性能和低延遲。

TF2計算加速流程

為了促進FPGA技術的開源開放合作發展，降低高性能AI計算技術門檻，TF2開源社區推出了可重構AI計算發展計劃，為參與者提供F10A、F37X等最新FPGA加速卡支持，鼓勵參與者將創新性成果反饋至社區，并提供針對性的技術培訓和服務，支持項目開發和落地。

在TF2開源社區的助力下，NKiCS采用TF2和浪潮F10A FPGA加速卡適配BTS-DSN神經網絡模型，實現了眼底血管圖像實時分割，大幅提升了工作效率，并降低了功耗和TCO。研究人員首先利用TF2的模型優化轉換工具Transform Kit對網絡模型實現模型轉換、模型壓縮與特征圖量化，并生成適配TF2智能運行引擎Runtime Engine的網絡模型文件，然后與Runtime Engine提供的計算架構相結合并編譯為FPGA目標文件，最后實現基于FPGA的神經網絡推理計算加速，高速處理眼底血管分割任務。實測結果顯示，單張眼底血管圖像推理僅需0.0434秒，相較于GPU提速2.4倍，同時加速卡功耗僅35W，有效提升了性能功耗比。

除了加入TF2開源社區，為了推動AI眼底血管圖像分析技術走向臨床應用，NKiCS也在努力推動眼底圖像數據的開源開放。NKiCS聯合多家權威醫學機構，發布了OIA數據集(鏈接：https://github.com/nkicsl/OIA)，填補了中國眼科圖像數據領域的空白。OIA是基于臨床環境的、高質量的、數據樣本充分的系列數據集，包括面向糖尿病視網膜病變分類和病變點分割的數據集OIA-DDR，以及基于眼底圖像的多類型病變分類的數據集OIA-ODIR，從來自全國26個省份，400多家臨床醫院的160多萬張眼底圖像庫中，通過專業人員抽取、眼科專家標注、計算機專家建模評測而得到。

隨著眼底圖像處理效率提升和數據集不斷完善，NKiCS開發的眼底圖像分析技術將在不久的將來應用到臨床，幫助醫生更高效、更精準地診斷與眼底相關聯的疾病，讓更多患者得到及時的干預與診療。

聯系：highspeedlogic

QQ ：1224848052

微信：HuangL1121

郵箱：1224848052@qq.com

網站：http://www.mat7lab.com/

網站：http://www.hslogic.com/

微信掃一掃：

--------------------------------------------------------------------------------------

人工智能代做，深度學習代做，深度強化學習代做，zynq智能系統FPGA開發，

AI代做，卷積神經網絡，Alexnet，GoogleNet，CNN，TensorFlow，

caffe，pointnet，PPO，Qlearning，FasterRCNN，MTCNN，

SPPNet，word2vec，SARASA算法，梯度策略等等