Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices

要約

ディープラーニング技術、特に畳み込みニューラルネットワークは、コンピュータビジョンや医療画像のアプリケーションにおいて大きな可能性を示しています。しかし、ディープラーニングモデルは、モデル学習のために膨大な計算能力と特殊な処理ハードウェアを必要とするため、計算負荷が高くなります。これらのモデルの移植性とプロトタイピングの互換性を確保するためには、低消費電力デバイスへの実装が不可欠です。本研究では、医療画像のセグメンテーションのために、Intel Movidius Neural Compute Stick 2 (NCS-2)にModified U-Netを実装することを提案する。U-Netを選択した理由は、医用画像セグメンテーションにおいて、U-Netはデータセットサイズが小さくても医用画像セグメンテーションの性能を向上させることができる著名なモデルであるためである。修正されたU-Netモデルは、サイコロスコアの観点から性能を評価される。3つの医用画像データセットに対するセグメンテーションタスクの実験が報告されている。脳MRIのBraTsデータセット，心臓MRIデータセット，Ziehl-Neelsen喀痰塗抹顕微鏡画像(ZNSDB)データセットである．提案モデルでは、パラメータ数をU-Netモデルの3000万個から提案アーキテクチャの0.49万個に削減した。実験の結果、修正U-Netは同等の性能を持ちながら、必要なリソースが大幅に少なく、NCS-2上で推論が可能であることが示された。記録された最大サイコロスコアは、BraTsデータセットで0.96、心臓MRIデータセットで0.94、ZNSDBデータセットで0.74であった。

要約(オリジナル)

Deep learning techniques, particularly convolutional neural networks, have shown great potential in computer vision and medical imaging applications. However, deep learning models are computationally demanding as they require enormous computational power and specialized processing hardware for model training. To make these models portable and compatible for prototyping, their implementation on low-power devices is imperative. In this work, we present the implementation of Modified U-Net on Intel Movidius Neural Compute Stick 2 (NCS-2) for the segmentation of medical images. We selected U-Net because, in medical image segmentation, U-Net is a prominent model that provides improved performance for medical image segmentation even if the dataset size is small. The modified U-Net model is evaluated for performance in terms of dice score. Experiments are reported for segmentation task on three medical imaging datasets: BraTs dataset of brain MRI, heart MRI dataset, and Ziehl-Neelsen sputum smear microscopy image (ZNSDB) dataset. For the proposed model, we reduced the number of parameters from 30 million in the U-Net model to 0.49 million in the proposed architecture. Experimental results show that the modified U-Net provides comparable performance while requiring significantly lower resources and provides inference on the NCS-2. The maximum dice scores recorded are 0.96 for the BraTs dataset, 0.94 for the heart MRI dataset, and 0.74 for the ZNSDB dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL