体积医学成像深度学习模型的硬件加速推理部署综述：FPGA与ASIC实现分析

《IEEE Access》：Deep Learning Accelerators for Volumetric Medical Imaging: A Software-to-Hardware Survey

　　**摘要：**体积医学成像在严重疾病和临床细微疾病的全面检查、诊断和纵向监测中发挥着重要作用。近年来，深度学习（DL）的进展大大提高了对来自计算机断层扫描（CT）、磁共振成像（MRI）和正电子发射断层扫描（PET）等成像模态所采集的体积数据的分析能力。然而，除了算法性能之外，在配备CPU和GPU的通用计算机（GPC）平台上部署体积深度学习模型可能会产生相当可观的计算、内存和能耗成本，尤其是在对大型三维输入进行推理时。因此，本综述研究了在专用硬件加速器上部署面向推理的体积深度学习模型的可行性，特别关注FPGA平台和可能的ASIC实现，以在资源受限条件下提高吞吐量和能效。为评估这一可行性，我们回顾了具有代表性的体积模型架构及其可用的硬件实现，并分析了它们的训练方案、模型优化方法、评估指标和硬件部署特性。在硬件方面，我们考察了加速器架构、内存访问优化、计算并行性、数值精度、数据流组织以及可能的系统级集成。基于这些组成部分，我们进一步组织了一个从软件到硬件的开发方案，将数据集准备和软件端模型开发与模型优化、硬件映射、验证以及面向推理的部署连接起来。所调研的实现表明，当前的体积医学成像加速器主要由基于CNN和编码器-解码器的架构主导，尤其是在FPGA平台上。部分实现报告了在各自实验设置下相对于CPU和GPU基线取得了良好的吞吐量和能效提升。然而……