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。
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%。
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。
原文連結: Classifying Medical Imaging On-Device with Edge Impulse and BrainChip
David Tischler的專案連結: project write-up
- 【活動報導】超低功耗Edge AI應用開發輕鬆上手! - 2024/09/02
- 聚焦AI創新 V7RC Day夥伴日8/24南港瓶蓋工廠登場 - 2024/08/22
- 【2024 MAI Talks】邊緣運算工業安全應用 - 2024/08/20