Abstract: Efficient Biomedical Image Segmentation on EdgeTPUs

The U-Net architecture [1] is a state-of-the-art neural network for semantic image segmentation that is widely used in biomedical research. It is based on an encoder-decoder framework and its vanilla version shows already high performance in terms of segmentation quality. Due to its large parameter space, however, it has high computational costs on both, CPUs and GPUs. In a research setting, inference time is relevant, but not crucial for the results.

Authors and Affiliations

1. Division for Phoniatrics and Pediatric Audiology, Department of Otorhinolaryngology, Head and Neck Surgery, University Hospital Erlangen, Friedrich-Alexander-University Erlangen-Nürnberg, Erlangen, Deutschland

   Andreas M. Kist & Michael Döllinger

Corresponding author

Correspondence to Andreas M. Kist .

Editors and Affiliations

1. Fakultät für Informatik und Mathematik, Ostbayerische Technische Hochschule Regensburg, Regensburg, Germany

   Christoph Palm

2. Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der Medizinischen Hochschule Hannover, Braunschweig, Germany

   Thomas M. Deserno

3. Institut für Medizinische Informatik, Universität zu Lübeck, Lübeck, Germany

   Heinz Handels

4. Lehrstuhl für Mustererkennung, Friedrich-Alexander-Universität, Erlangen, Germany

   Andreas Maier

5. Medical Image Computing, E230, Deutsches Krebsforschungszentrum (DKFZ), Heidelberg, Germany

   Klaus Maier-Hein

6. Institut für Medizinische Informatik, Charité – Universitätsmedizin Berlin, Berlin, Germany

   Thomas Tolxdorff

Reprints and permissions

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

Policies and ethics