Edge TPU 与嵌入式 GPU 在计算机辅助医学图像分割与分类中的能效对比
图像与视频处理
2023-11-23 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本工作中，我们评估基于 Edge TPU 与嵌入式 GPU 处理器、且同时实现医学图像分割与分类的全嵌入式医疗诊断辅助工具的能耗。我们以基于彩色眼底图像的开角型青光眼诊断为例，展示在嵌入式板上实时执行分割与分类的可能性，并凸显所研究实现方案的差异化能耗需求。已有若干工作利用分割与特征提取技术，以深度神经网络检测青光眼及众多其他病症。嵌入式加速系统（EAS）的内存限制与低处理能力制约了其用于深度网络系统的训练。然而，引入如 NVIDIA Maxwell GPU 或 Google Edge TPU 等专用加速硬件，使其能以极合理耗时使用复杂预训练网络进行推理。本研究中，我们评估两个配备机器学习（ML）加速器的 EAS 运行既往工作开发的示例诊断工具的时序与能耗表现。对于视盘（OD）与视杯（OC）分割，使用 Edge TPU 与 Maxwell GPU 的单图预测时间分别低于 29 与 43 毫秒。分类子系统的预测时间，Edge TPU 与 Maxwell GPU 分别低于 10 与 14 毫秒。能耗方面，约略而言，OD 分割中 Edge TPU 与 Maxwell GPU 每图分别耗 38 与 190 毫焦；眼底分类中 Edge TPU 与 Maxwell GPU 分别耗 45 与 70 毫焦。
引用
@article{arxiv.2311.12876,
title = {Energy efficiency in Edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification},
author = {José María Rodríguez Corral and Javier Civit-Masot and Francisco Luna-Perejón and Ignacio Díaz-Cano and Arturo Morgado-Estévez and Manuel Domínguez-Morales},
journal= {arXiv preprint arXiv:2311.12876},
year = {2023}
}
备注
37 pages, 20 figures. Accepted manuscript. Published in "Engineering Applications of Artificial Intelligence" (Elsevier), ISSN 0952-1976