摘要

本文介绍了一种基于掩码的贝叶斯神经网络（BayesNN）的算法-硬件协同优化流程，旨在加速磁共振成像（MRI）的不确定性估计，特别是在适应性放疗中的应用。文章提出的解决方案通过将现有的深度神经网络（DNN）转换为硬件高效的掩码型BayesNN，结合FPGA加速器的设计，实现了在MRI分析中不确定性信息的可靠和高效估计。实验结果表明，该方法在Xilinx VU13P FPGA上相比GPU和CPU实现，分别实现了7.5倍和32.5倍的加速，同时降低了功耗。这一技术的前景在于提高癌症诊断和治疗的准确性和可靠性，特别是在实时成像引导的放疗中。

原理

本文的核心在于通过算法和硬件的协同优化，将IVIMNET转换为掩码型BayesNN（uIVIM-NET）。在算法层面，采用Masksembles方法预定义固定掩码，避免了传统BayesNN在运行时的随机性，从而允许高效跳过无效操作，优化硬件设计。在硬件层面，利用FPGA加速器，通过掩码零跳过策略和批量级方案，实现了权重配置的离线确定，避免了频繁的权重加载，显著降低了功耗。这种算法-硬件协同优化流程不仅提高了MRI分析的性能，还确保了不确定性估计的可靠性。

流程

文章提出的工作流程分为三个阶段：准备阶段、算法阶段和硬件阶段。在准备阶段，确定神经网络架构和不确定性要求，并生成合成数据集。算法阶段涉及模型设计、训练和评估，通过Masksembles方法将DNN转换为BayesNN，并进行超参数优化。硬件阶段则专注于高效硬件架构设计，包括掩码零跳过策略和批量级操作重排，以减少功耗和提高性能。整个流程通过迭代改进确保满足不确定性要求和硬件性能。

应用

该技术的主要应用前景在于医疗领域的MRI分析，特别是在适应性放疗中，实时提供不确定性估计可以显著提高治疗的精确度和患者的生存率。此外，该方法的通用性和高效性也使其适用于其他需要不确定性估计的领域，如智能机器人和自动驾驶汽车，增强系统的鲁棒性和安全性。