[發明專利]一種基于FPGA邊緣計算的醫學信息處理方法

有效

• 申請號: 202011543525.1
• 申請日: 2020-12-24
• 公開（公告）號: CN112263224B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 談玲;榮杉山;夏景明
• 申請（專利權）人: 南京信息工程大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 張華蒙

本發明公開了一種基于FPGA邊緣計算的醫學信息處理方法，屬于信息處理技術領域，主要用于皮膚類的醫學信息處理，本發明通過拍攝皮膚病圖像，并上傳至FPGA邊緣計算設備進行預處理，FPGA邊緣計算設備使用其搭載的IR?BNnet模型對皮膚病圖像進行信息處理，同時將FPGA的信息處理結果中類別識別概率值較低的模糊處理案例再次上傳到信息處理服務器，由信息處理服務器搭載的雙通道模型GL?CNN對皮膚病圖像進行更精確的二次處理，二次信息處理結果分別發送到FPGA邊緣計算設備和數據平臺。本發明中，FPGA邊緣計算設備搭載的IR?BNnet模型和信息處理服務器搭載的雙通道模型GL?CNN能綜合使用輕便型深度學習方法和復雜高精度的深度學習方法對大量的醫學信息進行精確分類，提高信息處理效率。

技術領域

本發明屬于信息處理技術領域，具體涉及一種基于FPGA邊緣計算的醫學信息處理方法。

背景技術

卷積神經網絡近來在圖像識別領域中占據了主導地位。CNN的主要優勢在于其可靠的視覺表示能力，能對給定的訓練數據集進行識別和檢測，G.S.Jayalakshmi等在卷積神經網絡中加入批標準化（Batch Normalization）操作，減小了模型的過擬合，在皮膚損傷圖像的二分類中獲得較好的分類效果。

Hu通過掩蓋的數據增強與深度卷積殘差網絡相結合的集成分類方法對黑色素瘤進行預測；通過隨機和非隨機掩蓋的數據增強法增加了訓練數據集的數量，但是對提取病灶區域的關鍵信息意義不大。

Lequan Yu等提出用于分割的全卷積神經網絡和用于分類的深度殘差網絡。AmirrezaMahbod等通過多尺度，多網絡集成的遷移學習對皮膚損傷進行分類。該方法分別以多個尺寸作為網絡特征輸入，由三個網絡通道作為特征提取器，最后獲得分類結果。該方法僅通過少量的皮膚損傷圖像的訓練便得到較好的分類效果。

Hang Li等人通過遷移學習將預訓練的ResNet-152的殘差神經網絡用來提取皮膚病變的深度卷積層特征，然后利用支持向量機SVM對提取的黑色素瘤特征進行分類。ShetuRani Guha等使用自定義的CNN和VGG16進行遷移學習對多種皮膚疾病進行分類。

以上幾種皮膚病分類模型雖然在準確率上達到了較高水平，但其權重參數都非常大，需要大型的信息處理服務器進行信息處理。但是根據WHO的統計數據，每年皮膚病發病病例數量之多，且難以向基層和偏遠地區普及大型信息處理服務器。

發明內容

發明目的：本發明的目的在于提供一種基于FPGA邊緣計算的醫學信息處理方法，通過邊緣計算的方式，把一部分計算任務分配到邊緣設備上。

技術方案：為實現上述目的，本發明采用如下技術方案：

一種基于FPGA邊緣計算的醫學信息處理方法：包括如下步驟：

1）拍攝皮膚病圖像并上傳到FPGA邊緣計算設備進行毛發去除預處理和病灶區域邊緣輪廓分割預處理，生成原始皮膚病圖像和分割后的病灶圖像集合；

2） FPGA邊緣計算設備使用其搭載的IR-BNnet模型對集合中的所有圖像進行處理；所述的FPGA邊緣計算設備搭載的IR-BNnet模型包括IR_Block、BN_Block、全連接層和Softmax分類器；

3）信息處理服務器使用搭載的雙通道深度學習模型對FPGA的信息處理結果中類別識別概率值低于60%的模糊處理案例進行二次處理。

進一步地，所述的步驟1）中，毛發去除預處理的具體過程如下：

1.1a）對每個皮膚病圖像的像素進行灰度化處理，灰度變換的函數為