Digitala Vetenskapliga Arkivet

Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Neuromorphic Medical Image Analysis at the Edge: On-Edge training with the Akida Brainchip
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2023 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Medicinsk bildanalys med neuromorfisk hårdvara : On-Edge-träning med Akida Brainchip (Swedish)
Abstract [en]

Computed Tomography (CT) scans play a crucial role in medical imaging, allowing neuroscientists to identify intracranial pathologies such as haemorrhages and malignant tumours in the brain. This thesis explores the potential of deep learning models as an aid in intracranial pathology detection through medical imaging. By first creating a convolutional neural network model capable of identifying brain haemorrhage and then moving it onto the neuromorphic processor Akida AKD1000, it allowed the usage of Spiking Neural Networks and on-edge retraining capabilities. In a process called few-shot learning, the model was trained to also identify brain tumours with minimal additional samples. The research further investigated how the parameters used in the edge-learning influenced classification accuracy. It was shown that the parameter selection and interaction introduced a trade-off in regard to accuracy for the haemorrhage and tumour classification models, but an optimal constellation of parameters could be extracted. These results aim to serve as a foundation for future endeavours in image analysis using neuromorphic hardware, specifically within the domain of few-shot and on-edge learning. The integration of these models in the medical field has the potential to streamline the diagnosis of intracranial pathologies, enhancing accuracy and efficiency while unloading medical professionals.

Abstract [sv]

Datortomografi (CT) spelar en avgörande roll inom medicinsk bildvetenskap då den assisterar läkare i att identifiera hjärnsjukdomar såsom blödningar och elakartade tumörer. Denna avhandling utforskar potentialen hos djupinlärningsmodeller som hjälpmedel för upptäckt av hjärnsjukdomar genom medicinsk bildvetenskap. Genom att först skapa en konvolutionell neural nätverksmodell som kan identifiera hjärnblödning och sedan överföra den till den neuromorfiska processorn Akida AKD1000, möjliggjordes användning av "spikande" neurala nätverk och om-inlärning av modellen på hårdvaran (on-edge). I en process kallad few-shot learning tränades modellen till att även kunna identifiera hjärntumörer med endast ett minimalt antal ytterligare datortomografibilder. Vidare undersöktes hur parametrarna som används i om-inlärningen på den neuromorfiska hårdvaran påverkade klassificeringsträffsäkerheten. Det visades att valet av parametrar och deras interaktion introducerade en avvägning när det gällde träffsäkerheten för blödnings- och tumörklassificeringsmodellerna, men en optimal konstellation av parametrar kunde extraheras. Dessa resultat ämnar till att fungera som en grund för framtida arbete inom medicinsk bildvetenskap med neuromorfisk hårdvara, särskilt inom området few-shot learning och on-edge learning. Klassifikationsmodeller som dessa har potentialen att effektivisera diagnosen av hjärnsjukdomar och på så sätt förbättra träffsäkerheten av diagnos av hjärnsjukdomar, samt avlasta medicinska yrkesverksamma.

Place, publisher, year, edition, pages
2023. , p. 29
Series
TRITA-EECS-EX ; 2023:302
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-330850OAI: oai:DiVA.org:kth-330850DiVA, id: diva2:1779206
Supervisors
Examiners
Available from: 2023-08-01 Created: 2023-07-03 Last updated: 2023-08-01Bibliographically approved

Open Access in DiVA

fulltext(1116 kB)1329 downloads
File information
File name FULLTEXT01.pdfFile size 1116 kBChecksum SHA-512
5dcdbfa88a2a363d0d8b520662d577b54e3d756f279ea1107db7c4dab5afe726c9cbc3f64fc9b8710cabea54009cd3f7b407c2670204176fbb0951e12d376d59
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 1329 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 1795 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf