作為一名對(duì)醫(yī)療應(yīng)用人工智能感到興奮的本科生，我很高興能加入 NVIDIA Clara 部署團(tuán)隊(duì)進(jìn)行實(shí)習(xí)。這是一個(gè)完美的組合：有機(jī)會(huì)在一家領(lǐng)先的技術(shù)公司工作，加速和采用人工智能，同時(shí)為未來（和現(xiàn)在）的團(tuán)隊(duì)建設(shè)做出貢獻(xiàn)用于醫(yī)療保健的人工智能部署。接下來的幾個(gè)月充滿了從才華橫溢但謙遜的同事那里學(xué)到的東西，學(xué)習(xí)了 CUDA 編程等新技能，以及關(guān)注組織病理學(xué)數(shù)據(jù)帶來的獨(dú)特技術(shù)挑戰(zhàn)的機(jī)會(huì)。

什么是 Clara Deploy？

Clara Deploy SDK 是一個(gè)基于容器的云本機(jī)開發(fā)和部署框架，用于智能醫(yī)院中的多 AI 和多域工作流。它使您能夠定義由多個(gè)階段組成的基于容器的管道，每個(gè)階段由操作員定義。管道由多個(gè)運(yùn)算符組成，是從數(shù)據(jù)源到數(shù)據(jù)接收器的有向無環(huán)圖（ DAG ）。每個(gè)操作符都是管道的一個(gè)步驟，比如加載輸入、預(yù)處理、人工智能推理等等。

在我探索建立 NVIDIA Clara Deploy 平臺(tái)和運(yùn)行 AI 推理管道的過程中，我獲得了部署 AI 工作流挑戰(zhàn)的第一手經(jīng)驗(yàn)，特別是在標(biāo)準(zhǔn)化工作流和擴(kuò)展執(zhí)行方面。在運(yùn)行數(shù)字病理管道的過程中，我意識(shí)到了 I / O 和預(yù)處理步驟的性能瓶頸，這些步驟通常不會(huì) GPU 加速。這影響了我在實(shí)習(xí)期間專注于加速數(shù)字病理學(xué)預(yù)處理過濾器的選擇。

什么是 cuCIM ？

cuCIM 是一個(gè) RAPIDS 庫(kù)，用于加速 n 維圖像處理和圖像 I / O ，重點(diǎn)是醫(yī)學(xué)成像應(yīng)用。 cuCIM 由 I / O 、文件系統(tǒng)和操作模塊組成。 cuCIM 中的操作可以使用插件架構(gòu)進(jìn)行擴(kuò)展。 cuCIM 在醫(yī)學(xué)圖像處理應(yīng)用方面處于領(lǐng)先地位，我很高興在 NVIDIA 工作期間接觸并參與其中。

項(xiàng)目動(dòng)機(jī)

組織病理學(xué)分析數(shù)字化的一個(gè)重大挑戰(zhàn)是病理學(xué)圖像中觀察到的染色變化。這些圖像可能由多種因素引起 染色差異大 ，包括染色供應(yīng)商、儲(chǔ)存條件、染色協(xié)議、數(shù)字掃描儀等。

鑒于因素的范圍，在圖像采集期間控制染色變化是不切實(shí)際的。取而代之的是，一個(gè)稱為染色標(biāo)準(zhǔn)化的圖像預(yù)處理步驟通常用于算法標(biāo)準(zhǔn)化圖像染色。染色規(guī)格化過濾器接受源圖像和目標(biāo)圖像作為輸入。將源圖像進(jìn)行染色歸一化，目標(biāo)圖像包含理想染色，并將其轉(zhuǎn)移到源圖像。最終，標(biāo)準(zhǔn)化的源圖像作為輸出返回。

圖 1 。染色標(biāo)準(zhǔn)化過濾器。來自 StainTools 。

先前的工作表明，在數(shù)字病理 AI 管道中，作為預(yù)處理步驟的染色歸一化可以縮短訓(xùn)練時(shí)間，提高準(zhǔn)確性，并使來自不同來源的數(shù)據(jù)能夠一起使用。由于染色病理圖像的稀缺性，您在相對(duì)較小的數(shù)據(jù)范圍內(nèi)操作，因此染色標(biāo)準(zhǔn)化使您能夠優(yōu)化在噪聲染色變化中獲得的信號(hào)。

然而，之前的染色標(biāo)準(zhǔn)化實(shí)施相對(duì)緩慢，因?yàn)樗鼈儧]有 GPU 加速。有機(jī)會(huì)實(shí)現(xiàn) GPU 加速染色歸一化算法，并為數(shù)字病理 AI 管道實(shí)現(xiàn)快速有效的預(yù)處理。

加速數(shù)字化病理學(xué)染色標(biāo)準(zhǔn)化

染色標(biāo)準(zhǔn)化方法分為三大類：

全局顏色歸一化

色斑反褶積后的顏色歸一化

基于深度網(wǎng)絡(luò)的顏色傳遞

有關(guān)更多信息，請(qǐng)參閱 染色顏色自適應(yīng)歸一化（ SCAN ）算法：數(shù)字病理學(xué)中組織染色的分離和標(biāo)準(zhǔn)化 。

我選擇專注于基于染色反褶積的方法，因?yàn)橹暗奈墨I(xiàn)顯示，與基于深度網(wǎng)絡(luò)的方法相比，與全局顏色歸一化相比，其性能更高，并且在維持生物結(jié)構(gòu)完整性方面具有更好的理論保證。

基于染色反褶積的方法假設(shè)每個(gè)圖像都具有染色矩陣的特征，該矩陣包含 H & E 染色圖像中兩種染色（蘇木精和曙紅）的紅、綠、藍(lán)（ RGB ）值。

使用 比爾 – 蘭伯特定律 將 RGB 圖像轉(zhuǎn)換為光密度圖像。然后，光密度圖像可以與該圖像的像素濃度矩陣和染色矩陣的乘積相關(guān)。像素濃度矩陣表示每個(gè)像素的每個(gè)染色的濃度。如果使用 馬森科法 估算染色矩陣，則可獲得濃度矩陣。

最后，對(duì)于染色歸一化，源圖像的染色矩陣被替換為 目標(biāo)圖像的染色矩陣 。這用于將染色輪廓從目標(biāo)圖像傳輸?shù)皆磮D像。因?yàn)樵磮D像的濃度矩陣不變，所以生物結(jié)構(gòu)的形態(tài)保持不變。用于估計(jì)染色矩陣的 Macenko 方法是一種使用 奇異值分解 的無監(jiān)督方法。

圖 2 ?；趹?yīng)變反褶積的應(yīng)變歸一化

在修改了 NumPy 中的現(xiàn)有版本后，我為 CuPy 中的 Macenko 染色標(biāo)準(zhǔn)化方法設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)過濾器。接下來，我比較了兩者的性能。

圖 3 顯示了使用 NVIDIA DGX-1 對(duì)不同圖像大小的 NumPy 和 CuPy 實(shí)現(xiàn)的著色歸一化的相對(duì)性能。 CuPy 實(shí)現(xiàn)的性能根據(jù)相對(duì)于 NumPy 實(shí)現(xiàn)的加速因子繪制。

圖 3 。 NumPy 與 CuPy 染色標(biāo)準(zhǔn)化實(shí)現(xiàn)的性能比較

考慮到使 GPU 加速染色標(biāo)準(zhǔn)化能夠用作數(shù)字病理學(xué)管道的預(yù)處理步驟的目標(biāo)，我開始將該過濾器作為轉(zhuǎn)換（基于陣列和基于字典）集成到 MONAI 。 MONAI 是一個(gè)基于 PyTorch 的開源框架，用于醫(yī)學(xué)成像的深度學(xué)習(xí)。完全集成后，可以將染色歸一化變換添加到 Clara Train 或 MONAI 中的病理管道中。

彩色轉(zhuǎn)換濾波器的加速

接下來，我在 CUDA C ++中實(shí)現(xiàn)了顏色轉(zhuǎn)換 RGB2HED 函數(shù)，這是一個(gè)常用的函數(shù)，在 scikit-image 和 Cuim-Python 層中可用。從 RGB 到 HED 的顏色空間轉(zhuǎn)換與色斑歸一化密切相關(guān)，因?yàn)樵摵瘮?shù)涉及獲得色斑濃度值，假設(shè)色斑向量是一個(gè)恒定的、預(yù)先計(jì)算的近似值。這忽略了不同圖像染色之間的差異。這個(gè)功能通過 C ++的操作符插件機(jī)制集成到 CuCIM 中。

我比較了純 C ++實(shí)現(xiàn)和 CUDA C ++實(shí)現(xiàn)的性能。圖 4 顯示了使用 NVIDIA GV100 GPU 和 Intel （ R ） Core （ TM ） i7-7800X CPU 的兩個(gè)版本在不同圖像大小下的相對(duì)性能。 CUDA C ++實(shí)現(xiàn)的性能以相對(duì)于純 C ++實(shí)現(xiàn)的加速因子的形式繪制。

需要注意的是，性能提升并沒有考慮到與 GPU 之間的任何數(shù)據(jù)傳輸。我之所以這樣做，是因?yàn)槲艺诳紤]一種常見的場(chǎng)景，即在圖像處理工作流中的幾個(gè)后續(xù)操作中，數(shù)據(jù)傳輸通過留在 GPU 上而最小化，并且只在最后發(fā)生向主機(jī)的傳輸。

圖 4 ：純 C ++與 CUDA C ++實(shí)現(xiàn)的性能比較 rgb2hed 顏色轉(zhuǎn)換函數(shù)

結(jié)論

總之，我的實(shí)習(xí)項(xiàng)目的重點(diǎn)是加速數(shù)字病理學(xué)的顏色轉(zhuǎn)換過濾器。具體來說，我致力于設(shè)計(jì)和實(shí)現(xiàn) Macenko 染色歸一化方法，使用 CuPy 進(jìn)行 GPU – 加速。我開始將其集成到 MONAI 中，作為一種轉(zhuǎn)換，以便將來用作數(shù)字病理管道的預(yù)處理步驟。接下來，我在 CUDA C ++中實(shí)現(xiàn)了顏色轉(zhuǎn)換 RGB2HED 函數(shù)，通過基于 C ++的操作符插件機(jī)制將其集成到 CuCIM 中。

Macenko 染色規(guī)范化和 CUDA C ++實(shí)現(xiàn)的 RGB2HED 函數(shù)都表現(xiàn)出顯著的性能增益，與 NumPy 版本和純 C ++版本相比，它們都表現(xiàn)出顯著的性能增益。使用基于 NumPy 的過濾器，在 250 個(gè)圖像數(shù)據(jù)集和 4000 × 4000 像素圖像大小的情況下，訓(xùn)練 500 個(gè)時(shí)代以上的管道的染色歸一化預(yù)處理時(shí)間大約為 13 天。 CuPy 基過濾器的過濾時(shí)間減少到 3.5 小時(shí)。

最終，加速數(shù)字病理學(xué)的前處理和后處理過濾器可以提高數(shù)字病理學(xué)深度學(xué)習(xí)管道的性能，加快數(shù)字病理學(xué)的采用，并使人工智能能夠徹底改變病理學(xué)。

關(guān)于作者

Neha Srivathsa 是 NVIDIA 的 Clara Deploy 應(yīng)用程序團(tuán)隊(duì)的實(shí)習(xí)生。在實(shí)習(xí)期間，她一直致力于 GPU ——數(shù)字病理管道預(yù)處理過濾器的加速。 Neha 是斯坦福大學(xué)的一名本科生，研究計(jì)算機(jī)科學(xué)，重點(diǎn)是人工智能和生物信息學(xué)。

審核編輯：郭婷