Edge AI實現快速準確、保障資安的醫療影像分析

Posted By MakerPRO編輯部 on 7 月 12, 2024 in Edge AI, Edge AI應用案例, Edge AI開發地圖, Edge AI開發環境, Edge Impulse, Edge Impulse, TinyML, 影像處理, 技術導讀, 智慧醫療, 案例研究 | 0 comments

文章導覽

人工智慧（AI）和醫療診斷的結合已經成為重要的研究和應用方向，透過機器學習與演算法，AI可以分析資料包括影像、遺傳資訊和患者記錄等大量資料，幫助醫療人員更快更準確地診斷疾病並預測結果。隨著AI在醫療領域的應用日益廣泛，資料安全和運算資源的需求也成為主要的挑戰。

(Source : Edge Impluse)

邊緣運算技術的出現能為以上問題提供潛在的解決方案，如Edge Impluse的常駐工程師David Tischler展示了一個成功的案例，他使用BrainChip的神經形態處理器(neuromorphic processor )和 Edge Impulse 平台開發了一個概念驗證系統，能夠在低功耗條件下高效率分析X光片影像，並從中分辨出肺炎的X光片。

資安挑戰與邊緣運算解決方案

邊緣運算技術旨在將運算能力移至資料生成的邊緣裝置上，從而減少資料傳輸的延遲和風險。在醫療影像分析中，這意味著可以在收集資料的裝置上直接運行AI演算法，從而提高診斷效率和資料安全性。簡單來說就是將 BrainChip Akida 樹莓派開發套件與提供機器學習的影像分類器結合使用，該分類器經過Edge Impulse的微調，充分發揮Akida處理器的效能。這個開發套件包含一個 Raspberry Pi 運算模組，包含四核心Arm Cortex-A72處理器和高達8 GB的RAM來提供運算(分析影像很吃資源)。但成功關鍵在Akida AKD1000神經處理單元(NPU)，該元件能夠以非常低的功耗快速完成繁重的AI運算工作。

訓練資料與模型設計

在資料準備方面，Tischler 利用了 Kaggle平台上的一個公開資料集，該資料集包含近6000張X光片影像，這些影像被標記｢正常」或｢肺炎｣。這些影像被上傳到 Edge Impulse 平台進行處理和訓練。為了提高運算效率，這些影像被調整為640×480像素，然後透過一系列影像處理步驟提取特徵，並輸入到專為 BrainChip Akida 處理器打造的分類器中。經過多次訓練和調整，該系統的訓練準確率達到97%，測試準確率超過94%。

最後的impluse設計(Source : Edge Impluse)

應用與未來展望

該系統不僅在準確性方面表現優異，在推論速度和功耗方面也具有顯著優勢。推論時間僅為100到150毫秒，這比傳統的診斷工具快得多。而且，Akida 晶片僅需毫瓦級功率即可執行分類器，這使其非常適合遠端應用或偏遠地區的醫療應用。Tischler也展示了如何使用Edge Impulse Linux SDK對影像進行分類，以及如何對來自USB網路攝影機的即時影像進行分類，這些功能展示了該系統的靈活性和實用性。