As redes neurais convolucionais tridimensionais (3D CNN) possuem alto valor de aplicação e potencial de desenvolvimento no campo da detecção de nódulos pulmonares. No entanto, devido à sua alta complexidade computacional e grande consumo de memória, a aceleração de hardware em uma única FPGA (Field Programmable Gate Array) enfrenta desafios rigorosos. Para isso, este artigo propõe uma estratégia eficiente de mapeamento para plataformas multi-FPGA, aproveitando plenamente a capacidade de paralelismo em larga escala a nível de sistema, para maximizar a eficiência computacional. O sistema, integrando 6 placas FPGA personalizadas, alcança índices de desempenho líderes da indústria: capacidade computacional de segmentação de nódulos pulmonares de 15,9 TOPS, e capacidade computacional para tarefas de classificação de 3,8 TOPS. Em comparação com a linha de base da CPU, a aceleração do sistema é de até 128,2 vezes; em comparação com a implementação em GPU, a eficiência energética é aprimorada em 6,7 vezes. Ao mesmo tempo, no conjunto real de dados clínicos padrão, o sistema atinge uma taxa de recall de 87,1%, com desempenho geral em nível avançado internacional.

Detecção de nódulos pulmonares;Redes neurais convolucionais 3D;Field Programmable Gate Array (FPGA);Sistemas multi-FPGA;Aceleração de hardware;Mapeamento paralelo