The data privacy settings of your browser prevent this site from functioning properly. Please open the site in a new tab. Alternatively, you can allow cross-sitetracking in your browser.
Open in new tab
Abschlussarbeit Medizintechnik
Ausschreibung einer Abschlussarbeit im Bachelor/ Master
Thema: Detektion von Darmpolypen mittels DNN im Vergleich auf einer GPGPU und einem analogen Matrix-Prozessor
Hintergrund:
Für die Darmkrebsprävention spielen endoskopische Vorsorgeuntersuchungen eine wichtige Rolle. Im Rahmen dieser Untersuchungen sucht der Arzt die Schleimhaut mit einem Endoskop nach sog. Polypen ab. Dies ist eine relativ aufwändige Untersuchung die dem Arzt viel Aufmerksamkeit abverlangt. Hier können Methoden aus dem Bereich des maschinellen Lernens helfen. So kann z.B. Objektdetektion helfen, die Aufmerksamkeit des Arztes auf verdächtige Regionen zu lenken, die dann ggf. genauer untersucht werden können. Für diese Aufgaben werden heute i.d.R. tiefe neuronale Faltungsnetze verwendet, welche eine sehr gute Detektionsleistung bieten, jedoch auch vergleichsweise rechenintensiv sind. Aus diesem Grund werden für die Inferenz gerne sog. AIBeschleuniger verwendet. Gegenstand der Arbeit Ein solcher AI-Beschleuniger ist der Mythic ME10761.
Hierbei handelt es sich um einen hybriden Analog-/Digitalrechner welcher auf die Ausführung von typischen Rechenoperationen für neuronale Netze optimiert ist: Die eigentliche Rechnung wird analog durchgeführt und die Ergebnisse werden wieder quantisiert und können damit wieder digital dargestellt werden.
Der Einsatz eines solchen Beschleunigers benötigt somit (1) eine Konvertierung der Parameter eines (klassisch auf der GPU trainierten) neuronalen Netzes auf die analoge Architektur des Beschleunigers und (2) eine Quantisierung der Zwischenergebnisse. Für (1) wird von Mythic ein entsprechendes SDK zur Verfügung gestellt. Die Auswirkungen von (2) sind bis zu einem gewissen Grad unvermeidlich und sollen im Rahmen dieser Arbeit analysiert werden. Weiterhin ist es durch die analoge Funktionsweise des Beschleunigers prinzipiell möglich, dass zwei identische Eingaben zu unterschiedlichen Ergebnissen führen können. Durch die Quantisierung der Ergebnisse kann dies zwar minimiert aber nicht vollständig ausgeschlossen werden. Durch entsprechende Experimente soll evaluiert werden wie oft dieser Fall eintritt und wie groß die Auswirkungen auf die Detektionsleistung des Netzes ist.
Hintergrund:
Für die Darmkrebsprävention spielen endoskopische Vorsorgeuntersuchungen eine wichtige Rolle. Im Rahmen dieser Untersuchungen sucht der Arzt die Schleimhaut mit einem Endoskop nach sog. Polypen ab. Dies ist eine relativ aufwändige Untersuchung die dem Arzt viel Aufmerksamkeit abverlangt. Hier können Methoden aus dem Bereich des maschinellen Lernens helfen. So kann z.B. Objektdetektion helfen, die Aufmerksamkeit des Arztes auf verdächtige Regionen zu lenken, die dann ggf. genauer untersucht werden können. Für diese Aufgaben werden heute i.d.R. tiefe neuronale Faltungsnetze verwendet, welche eine sehr gute Detektionsleistung bieten, jedoch auch vergleichsweise rechenintensiv sind. Aus diesem Grund werden für die Inferenz gerne sog. AIBeschleuniger verwendet. Gegenstand der Arbeit Ein solcher AI-Beschleuniger ist der Mythic ME10761.
Hierbei handelt es sich um einen hybriden Analog-/Digitalrechner welcher auf die Ausführung von typischen Rechenoperationen für neuronale Netze optimiert ist: Die eigentliche Rechnung wird analog durchgeführt und die Ergebnisse werden wieder quantisiert und können damit wieder digital dargestellt werden.
Der Einsatz eines solchen Beschleunigers benötigt somit (1) eine Konvertierung der Parameter eines (klassisch auf der GPU trainierten) neuronalen Netzes auf die analoge Architektur des Beschleunigers und (2) eine Quantisierung der Zwischenergebnisse. Für (1) wird von Mythic ein entsprechendes SDK zur Verfügung gestellt. Die Auswirkungen von (2) sind bis zu einem gewissen Grad unvermeidlich und sollen im Rahmen dieser Arbeit analysiert werden. Weiterhin ist es durch die analoge Funktionsweise des Beschleunigers prinzipiell möglich, dass zwei identische Eingaben zu unterschiedlichen Ergebnissen führen können. Durch die Quantisierung der Ergebnisse kann dies zwar minimiert aber nicht vollständig ausgeschlossen werden. Durch entsprechende Experimente soll evaluiert werden wie oft dieser Fall eintritt und wie groß die Auswirkungen auf die Detektionsleistung des Netzes ist.
Deine Aufgaben:
1. Integration des SDKs von Mythic in eine existierende Trainingspipeline für Objektdetektion
2. Implementation einer Pipeline für die Inferenz mit Integration in ein bestehendes Auswertungsframework.
3. Auswertung der Inferenz-Geschwindigkeit des Beschleunigers (z.B. erreichbare FPS).
4. Auswertung der Geschwindigkeit eines Task-Wechsels (wie schnell können neue Netzwerkparameter geladen werden).
5. Vergleich der Detektionsleistung des konvertierten neuronalen Netzes auf dem Beschleuniger mit der Original-Version.
6. Auswertung von ggf. Schwankungen der Detektionsleistung aufgrund der analogen Arbeitsweise des Beschleunigers
2. Implementation einer Pipeline für die Inferenz mit Integration in ein bestehendes Auswertungsframework.
3. Auswertung der Inferenz-Geschwindigkeit des Beschleunigers (z.B. erreichbare FPS).
4. Auswertung der Geschwindigkeit eines Task-Wechsels (wie schnell können neue Netzwerkparameter geladen werden).
5. Vergleich der Detektionsleistung des konvertierten neuronalen Netzes auf dem Beschleuniger mit der Original-Version.
6. Auswertung von ggf. Schwankungen der Detektionsleistung aufgrund der analogen Arbeitsweise des Beschleunigers
Dein Profil:
- Studium im Bereich Medizintechnik, Software mit Schwerpunkt AI, Elektrotechnik, Technische Informatik oder vergleichbarer Studiengang
Wir bieten Dir:
- Eigenverantwortliches Arbeiten
- Ausgiebiges Training
- Flexible Zeiteinteilung
- tolles Team und Team-Events
Wir freuen uns auf Deine Bewerbung. Wir hoffen, dass Du dich unserem Team anschließen und mit uns die Zukunft der endoskopischen Technologien mitgestalten möchtest. Bewerber mit nachgewiesener Behinderung und entsprechender Qualifikation werden bevorzugt.
