Core Concepts
Effiziente In-Sensor Bildsegmentierung für medizinische Diagnose mit Q-Segment Algorithmus.
Abstract
Dieser Artikel präsentiert den Q-Segment Algorithmus für die Echtzeit-Bildsegmentierung in-Sensor für die medizinische Diagnose von Gefäßen. Die Forschung konzentriert sich auf die Implementierung von Deep-Learning-Modellen direkt in-Sensor, insbesondere auf dem Sony IMX500 Edge-Vision-Plattform. Der Artikel vergleicht die Leistung des vorgeschlagenen Netzwerks mit anderen Modellen und zeigt eine überlegene Effizienz in Bezug auf Rechenzeit und Energieverbrauch. Die Studie bietet wertvolle Einblicke in die Bildsegmentierung auf Edge-Geräten und legt den Grundstein für effiziente Algorithmen in energiearmen Umgebungen.
Segmentierungsalgorithmen:
- Q-Segment für End-to-End-Bildsegmentierung
- Vergleich mit anderen Modellen
- Effizienz auf dem IMX500
Netzwerkarchitektur:
- Hierarchische Merkmalsaufnahme
- Encoder-Decoder-Struktur mit Skip-Verbindungen
- Verwendung von Convolutional Neural Networks
Datenverarbeitung:
- Training auf dem CHASE-Datensatz
- Datenanreicherung für Deep Learning
Verlustfunktion:
- Kombination von gewichteter binärer Kreuzentropie und gewichteter Intersection over Union
Hardware für Inferenz:
- Vergleich von Sony IMX500 und Sony Spresense
- Leistungsmetriken für Bildsegmentierung
Experimentelle Ergebnisse:
- Vergleich der Netzwerkleistung mit anderen Implementierungen
- System- und Modellleistungsmetriken
Stats
Deployed on the IMX500 platform, Q-Segment achieves ultra-low inference time in-sensor only 0.23 ms and power consumption of only 72mW.
The network employs an encoder-decoder structure with skip connections, and results in a binary accuracy of 97.25 % and an Area Under the Receiver Operating Characteristic Curve (AUC) of 96.97 % on the CHASE dataset.
Quotes
"Die Studie bietet wertvolle Einblicke in die Bildsegmentierung auf Edge-Geräten und legt den Grundstein für effiziente Algorithmen in energiearmen Umgebungen."