面向高效边缘医学图像分割的带不确定性量化的模拟存内计算
图像与视频处理
2024-03-15 v1 计算机视觉与模式识别
神经与进化计算
摘要
本研究探讨了新兴的模拟存内计算（AIMC）范式在赋能医疗 AI 分析及提升这些模型在边缘端的确定性方面所发挥的作用。文章将 AIMC 的高效性与传统数字计算在功耗、速度和可扩展性方面的局限性进行了对比。我们的全面评估重点关注脑肿瘤分析、脾脏分割和细胞核检测。该研究强调了各向同性架构的卓越鲁棒性，其在模拟感知训练中表现出极小的精度下降（0.04），而金字塔结构则出现显著下降（高达 0.15）。此外，本文强调了 IMC 的有效数据流水线化，能够降低延迟并提高吞吐量，以及对 AIMC 内在噪声的利用，这种噪声被策略性地利用以增强模型的确定性。
引用
@article{arxiv.2403.08796,
title = {Analog In-Memory Computing with Uncertainty Quantification for Efficient Edge-based Medical Imaging Segmentation},
author = {Imane Hamzaoui and Hadjer Benmeziane and Zayneb Cherif and Kaoutar El Maghraoui},
journal= {arXiv preprint arXiv:2403.08796},
year = {2024}
}