清华大学集成电路学院提出基于忆阻器阵列的高能效、高保真度医学图像重建系统

以核磁共振成像（MRI）、计算机断层扫描（CT）为代表的医学成像技术是现代医学中重要的诊疗手段，可以精确揭示患者体内各器官的三维结构信息，从而帮助医生实现精准诊断和外科手术干预。医学成像设备通常包含两个部分——信号采集系统和图像重建系统，其中，图像重建系统中基于硅晶体管和冯诺依曼架构的传统计算硬件在追求高速、高质量成像的医学大数据时代正面临严峻的性能瓶颈。

为解决上述挑战，清华大学集成电路学院研究团队研发了一款基于忆阻器存算一体阵列芯片的图像重建系统（Memristive Image Reconstructor, MIR），通过融合高并行存算一体与模拟计算的优势，有望成为突破冯诺依曼瓶颈的高能效医学成像计算平台。不同于过去已经得到广泛演示的神经网络与机器学习算法，在MIR系统中，忆阻器芯片上运行的是经典信号处理算法，例如离散傅里叶变换(DFT)算法，由此带来诸多挑战：其一，信号处理算法的参数是预先计算好且固定的，无法像人工神经网络（ANN）算法一样通过训练权重的方式容忍器件噪声，因而对忆阻器的非理想特性更加敏感，会引入很大的计算误差；其二，ANN算法的权重大多只在实数域进行运算，而信号处理算法的参数通常是在复数域上运算，直接将复数参数矩阵映射到忆阻器阵列上会导致很大的能耗和硬件资源开销。

图1、基于忆阻器的新型医学图像重建方案

为此，研究团队提出了两项关键的解决方案。第一，准模拟映射（QAM）方案，采用模拟调制的思想，通过允许相邻电导值映射区间互相重叠，消除了由量化操作引入的量化误差，从而实现高精度电导值映射；实验证明，相比于传统量化映射0.22μS的映射误差，QAM方案的映射误差仅为0.02μS。第二，复数矩阵传输（CMT）方案，通过将四个实、虚DFT矩阵融合一体，不仅使得频谱中的实数和虚数成分可以在忆阻器阵列上仅通过一步运算同时得到，大幅降低了计算延迟，还可将模数转换器、缓存器、加法器等外围电路的开销节省一半以上。基于上述方案，MIR系统得以高精度、高能效地实现信号处理算法。实验表明，由MIR实现的DFT算法的运算结果与软件结果十分接近，幅度谱相关系数高达0.99934，相位谱相关系数高达0.99994，非常接近理想值1。

图2、MIR图像重建系统及CMT方案示意图

为评估MIR系统在数据密集的医学成像应用中的综合性能表现，研究团队演示了MRI的图像重建任务。MIR原始数据在K空间完成采样后，被送入MIR系统完成图像重建，重建图像的PSNR值高达40.21 dB，人眼已经难以分辨出图像质量的损失。为确认MRI图像中的关键信息没有遭受破坏，研究团队进一步采用了生物医学界广泛采用的nnU-Net算法对重建图像做器官分割，分割结果的DICE分数高达0.98，同样非常接近理想值1。在该图像重建任务中，相比于Nvidia Tesla V100 GPU，MIR系统的能效提升112倍，归一化的图像重建速度提升36倍。

图3、基于MIR的MRI图像重建结果

考虑到更加先进的医学图像重建算法中通常需要进行多次DFT/IDFT算法，而忆阻器阵列的累积计算误差可能导致图像质量的劣化。因此，研究团队还进一步演示了复杂度更高的CT图像重建任务，用于检验MIR系统的计算精度和噪声鲁棒性。经过3次DFT/IDFT运算后，MIR和软件重建结果分别获得了22.38 dB及22.52 dB的PSNR值，nnU-Net分割的DICE分数分别达到0.977及0.985。经评估，此时，MIR系统的能效相比Nvidia Tesla V100 GPU提升153倍，归一化重建速度提升79倍。

图4、基于MIR的CT图像重建结果

上述实验结果表明，MIR系统在获得2-3个数量级的能效和速度提升的同时，仍可达到与软件计算接近的图像重建精度，最大程度保留了其中的关键生物医学信息。因此，MIR系统有望成为未来医学成像系统中关键的计算硬件平台，可以实现高能效、高保真度的医学图像重建。审稿人也高度评价了该研究成果，认为它“提出了解决忆阻器信号处理精度和能效问题的重要方法”和“具有广阔的应用场景”。

相关成果以“面向医学诊断的忆阻器高能效、高保真图像重建”（Energy-efficient high-fidelity image reconstruction with memristor arrays for medical diagnosis）为题在线发表在《自然•通讯》（Nature Communications）上。清华大学集成电路学院唐建石副教授是本论文的通讯作者，清华大学集成电路学院博士生赵涵和刘正午为共同第一作者，合作者包括清华大学集成电路学院吴华强教授、钱鹤教授、高滨副教授等。该研究得到了科技部重大项目、国家自然科学基金委、北京信息科学与技术国家研究中心、科学探索奖等支持。

文章链接： 

https://www.nature.com/articles/s41467-023-38021-7