基于FPGA的数值计算在实时图像处理中的应用

实时图像分割对于实时图像处理系统具有非常重要的意义。对于具有二次曲线边界的图像,为了确定其边界以进行实时分割,必然涉及到硬件电路上数据的开方等复杂计算,这对于一般情况下数据传输速率达到80MHz左右的实时图像处理系统来说无疑是个很大的挑战。为了完成图像分割,文章通过一种逐位比较的算法以确定图像边界,该算法的数学本质是利用二分法进行数值计算。而在具体实现方面,设计了基于FPGA的硬件电路,其中处理器内部结构采用数据通路和数据控制通路分离的方式,并通过VerilogHDL语言编程下载。最终实现了对具有二次曲线边界的图像的实时物理分割。

利用几何信息辅助的超声心动图实时分割

超声心动图的分割在临床上对医生的诊断有巨大作用.针对超声图像含有大量噪声、轮廓特征不明显、已有分割算法耗时久、目标分割不完整或引入不必要的背景区域的问题,提出一种基于全卷积网络与几何信息辅助分割的实时分割算法.首先,利用改进的YOLACT框架并行生成原型模板掩码和左右心室、心房的实例掩码的系数,并将两者线性组合获得实例掩码;然后,利用编码模块增强分割效果,提出位置编码模块避免卷积神经网络带来的全局位置信息丢失,以及提出形状编码模块减少心房心室差异小带来的分类错误.实验结果表明,在超声心动图像数据集上的APA,AMIoU和ADICE指标分别达到0.777,0.705和0.827,该方法比其他算法在精度上接近nnU-Net的结果,但速度可以达到27帧/s,比UNet++提升145%.

基于模型压缩与重构U-net的胰腺分割

基于卷积神经网络的U-net模型广泛应用于胰腺分割任务,但该类方法对硬件计算能力要求过高,制约了其临床应用。为解决该问题,提出一个基于模型压缩与重构U-net的端到端框架(comprehension prune-reconstructed U-net network,CPRUN),以完成实时胰腺图像分割任务。通过通道剪枝技术实现了对卷积神经网络模型的压缩,利用重构U-net保障胰腺的分割精度。实验结果表明,使用CPRUN模型能够在保持分割精度的前提下有效减少模型参数量,其模型压缩程度与分割精度均优于同类算法。