DNN Model Compression
Für medizinische Anwendungen in der computergestützten Diagnose werden Algorithmen benötigt, die neben einer hohen Präzision oft auch eine hohe Leistung bieten. Darüber hinaus ist eine signifikant steigende Nachfrage nach Bildverarbeitungsanwendungen auf Low-End-Hardware oder eingebetteten Lösungen zu verzeichnen.
Lösungen mit den neuesten KI-Algorithmen, die auf neuronalen Netzen basieren, können für eine Vielzahl von Anwendungen sehr genaue Ergebnisse liefern. Jedoch kann die enorme Anzahl an Parametern den zuvor genannten Anwendungen entgegenstehen.
Aus diesem Grund haben wir bei Chimaera einen Algorithmus entwickelt, der die Anzahl der Parameter eines neuronalen Netzwerks auf intelligente Weise reduziert und gleichzeitig versucht, die höchstmögliche Genauigkeit zu erhalten.
Daten
Wir haben unsere Algorithmen mit einem Datensatz von 67 Bildern eines 7-Klassen-Segmentierungsproblems trainiert und getestet. Die Zielorgane umfassen die rechte und linke Lunge, die Leber, die Milz sowie die rechten und linken Nieren. Der vorliegende Datensatz wurde ebenfalls für die Lösung eines Zwei-Klassen-Segmentierungsproblems (d.h. Unterscheidung von Gewebe und Hintergrund) verwendet. Als Grundlage für unseren komprimierten Algorithmus haben wir das bekannte SegNet-Modell verwendet.
Ergebnisse
Anzahl der Parameter | Genauigkeit | Komprimierung | |
SegNet 7-Class | 29,458,211 | 0.930 | |
komprimiert | 7,881,722 | 0.927 | 73.2 % |
SegNet 2-Class | 29,457,552 | 0.940 | |
komprimiert | 1,213,325 | 0.929 | 95.9 % |

Ein typisches Segmentierungsergebnis des 7-Klassen-Modells für eine sagittale Schicht auf einem ausgewerteten 3D-CT-Bild (links) zusammen mit der Segmentierung der Organklassen (rechts).