面向“绿色”胎儿脑部分割的节能AI模型架构与压缩技术研究

人工智能已为各行业带来进步。然而，人工智能技术的快速发展也引发了对其环境影响的担忧，因为训练计算模型会产生碳足迹。医学图像中的胎儿脑部分割因胎儿脑部尺寸小以及快速二维序列图像质量有限而具有挑战性。深度神经网络是克服这一挑战的有前景的方法。在此背景下，构建更大的模型需要大量数据和计算能力，导致高能耗。我们的研究旨在探索通过优化准确性与能耗之间的权衡来促进能效的模型架构和压缩技术，具体策略包括轻量级网络设计、架构搜索和优化的分布式训练工具。我们确定了若干有效策略，包括优化数据加载、现代优化器、分布式训练策略实施、降低浮点运算精度以及使用轻量模型架构并根据可用计算资源调整参数。我们的研究结果表明，这些方法在医学图像分割的深度神经网络训练中能够以低能耗实现令人满意的模型性能。