Medical image processing on Xilinx FPGAs

Bu çalışmanın temel amacı, düşük maliyetli bir FPGA cihazında K En Yakın Komşular (k-NN), Destek Vektör Makinesi (SVM), Evrişimli Sinir Ağı (CNN), Karar Ağacı ve Rastgele Orman sınıflandırıcıları uygulayarak tıbbi görüntü işlemeyi gerçekleştirmektir. Bilgisayar Destekli Tasarım (CAD) çalışmaları, ilerleyen teknolojinin de etkisiyle tıp alanında büyük öneme sahiptir. Buna göre görüntü işleme, hastalıkların erken teşhisini sağlar ve tedavi sürecinde tıp uzmanlarına yardımcı olarak hastalıkların ölüm oranını azaltmada önemli bir role sahiptir. Önerilen sistem sayesinde sıtmanın tespit testleri süratle yapılacaktır. Böylelikle sıtmanın yoğun olduğu Afrika gibi ülkelerde erken tanı sağlanarak hastalığın tespit oranı artacak ve bu hastalığın ölüm oranı düşecektir. Önerilen sınıflandırma tasarımları, Xilinx Zynq-7000 SoC ZC702 FPGA ve MATLAB yazılım platformunda toplam 300 hastalıklı ve sağlıklı görüntü üzerinde test edilmiştir. FPGA'de elde edilen sonuçların MATLAB ile elde edilen sonuçlara göre 5057 kata kadar daha hızlı olduğu görülmüştür. Ayrıca CNN sınıflandırıcı, %97,67 başarı oranı ile sınıflandırma yöntemleri arasında en doğru tespit yüzdesine sahiptir. Bunu sırasıyla %95.33 ile k-NN, %95.33 ile Karar Ağacı, %93.67 ile Rastgele Orman ve %92.67 ile SVM sınıflandırıcıları izlemektedir. FPGA, performans açısından çok etkili olduğu için MATLAB yazılım platformu yerine tıbbi görüntü işleme için mükemmel bir seçenek olabilir. Ancak, FPGA üzerinde oluşturulan devrenin büyüklüğüne dikkat edilmelidir. Bu çalışmanın en önemli taraflarından bir tanesi, oluşturulan devrenin literatürdeki ilgili diğer sınıflandırma çalışmalarına kıyasla daha az sayıda Look-up Table (LUT) içermesidir. Elde edilen deneysel sonuçlara göre, yapılan çalışma kapsamında k-NN'de %73.9, SVM'de %79, CNN'de %57, Karar Ağacı'nda %96.7 ve Rastgele Orman’da %84.9 LUT kullanımında azalma olduğu açıkça görülmektedir.--------------------The main purpose of this thesis is to perform medical image processing by implementing k-Nearest Neighbors (k-NN), Support Vector Machine (SVM), Convolutional Neural Network (CNN), Decision Tree, and Random Forest classifiers on low-cost Field-Programmable Gate Array (FPGA) devices. Computer-Aided Design (CAD) studies have great significance in the field of medicine with the impact of progressive technology. Accordingly, image processing provides early diagnosis of diseases and has a considerable role in reducing the mortality rate of diseases by helping medical professionals in the treatment process. Owing to the proposed system, detection tests of malaria will be done rapidly. Thus, in countries such as Africa where malaria is intense, the rate of detection of the disease will increase and the mortality rate of this disease will decrease by enabling early diagnosis. The proposed classification designs are tested on a total of 300 diseased and healthy images on the Xilinx Zynq-7000 SoC ZC702 FPGA and the MATLAB software platform. It has been observed that outcomes procured on FPGA are faster than the results obtained by MATLAB up to 5057 times. Moreover, CNN classifier has the most accurate detection percentage among the classification methods with 97.67%. It is followed by k-NN with 95.33%, decision tree with 95.33%, random forest with 93.67%, and SVM with 92.67%. FPGA may be an excellent option for medical image processing instead of MATLAB software platform due to its speed performance. However, attention should be paid to the size of the circuit built on the FPGA. One of the most important aspects of this thesis is that the circuit created contains fewer Look-up Tables (LUTs) compared to other classification studies in the literature. According to the experimental results obtained, it is clearly seen that there is a decrease in the use of LUTs 73.9% in k-NN, 79% in SVM, 57% in CNN, 96.7% in decision tree, and 84.9% in random forest.