用于荧光寿命成像的紧凑鲁棒深度学习架构及FPGA实现
信号处理
2022-09-13 v2
摘要
本文报道了一种用于时域荧光寿命成像（FLIM）的定制基于加法的深度学习网络。通过利用l1范数提取方法，我们提出了一种无基于乘法的卷积的一维荧光寿命加性网络（FLAN）以降低计算复杂度。进一步，我们使用对数尺度合并技术在时间维度压缩荧光衰减，以丢弃冗余时间信息，称为对数缩放FLAN（FLAN+LS）。FLAN+LS相比FLAN和传统一维卷积神经网络（1-D CNN）分别实现了0.11和0.23的压缩比，同时在寿命反演中保持高精度。我们使用合成和真实数据广泛评估了FLAN和FLAN+LS。将传统拟合方法及其他非拟合高精度算法与我们的网络在合成数据上比较。我们的网络在不同光子计数场景下获得了微小重建误差。对于真实数据，我们使用共聚焦显微镜获取的荧光微球数据验证真实荧光团的有效性，我们的网络能区分具有不同寿命的微球。此外，我们在现场可编程门阵列（FPGA）上以量化后技术实现该网络架构以缩短位宽，从而提高计算效率。FLAN+LS在硬件上相比1-D CNN和FLAN实现了最高计算效率。我们还讨论了我们的网络和硬件架构在使用光子高效、时间分辨传感器的其他时间分辨生物医学应用中的适用性。
引用
@article{arxiv.2209.03272,
title = {Compact and Robust Deep Learning Architecture for Fluorescence Lifetime Imaging and FPGA Implementation},
author = {Zhenya Zang and Dong Xiao and Quan Wang and Ziao Jiao and Chen Yu and David Day-Uei Li},
journal= {arXiv preprint arXiv:2209.03272},
year = {2022}
}
备注
13 pages, 14 figures