基于FPGA加速的甲状腺结节超声影像量化推理方法研究及其在精准医疗中的应用

为解决甲状腺结节识别中CPU/GPU面临的能效比低、成本高等问题，来自中国的研究团队创新性地采用现场可编程门阵列(FPGA)平台，通过YOLOv4-tiny模型结合K-means++优化、8-bit权重量化及卷积层融合技术，在ZYNQ7020芯片上实现81.44%的检测准确率，能效比达CPU的17.6倍，为医疗影像诊断提供绿色高效的边缘计算方案。

　　

甲状腺癌作为内分泌系统最高发的恶性肿瘤，近年发病率持续攀升。传统中央处理器(CPU)和图形处理器(GPU)在甲状腺结节识别中面临处理速度、能耗与扩展性等多重瓶颈，难以满足未来绿色医疗需求。

这项突破性研究采用现场可编程门阵列(FPGA)架构，搭载轻量化YOLOv4-tiny神经网络模型。软件层面引入K-means⁺⁺聚类优化算法，硬件层面创新性整合8-bit权重量化(quantization)、批归一化(batch normalization)及卷积层融合技术。基于赛灵思ZYNQ7020平台的实验数据显示：在Tn3k公开数据集和中国三甲医院内部测试集上分别取得81.44%和81.20%的准确率。

能效测试结果令人振奋：FPGA平台功耗仅3.119瓦，远低于CPU(45瓦)和GPU(68瓦)。其能效比(5.45)达到CPU(0.31)的17.6倍，与顶级GPU(5.56)仅相差2%。研究表明，中低端FPGA即可实现商用GPU级性能，同时具备显著能耗优势。这项技术为超声影像分析提供了兼具速度、精度与环保特性的创新解决方案，有望推动智能医疗设备的边缘计算革命。