面向数字病理全切片图像分析的高性能数据管理
图像与视频处理
2023-08-22 v2 计算机视觉与模式识别
摘要
在处理全切片成像中的吉像素数字病理时，每次分析操作中相当比例的数据记录具有相关性。例如，在全切片图像(WSI)上部署图像分析算法时，计算瓶颈常在于输入输出(I/O)系统。这一点尤为明显，因为块级处理给计算机系统带来了可观的I/O负载。然而，鉴于不同图像块上的块级图像处理通常相互独立，该数据管理过程可进一步并行化。本文详述了我们借助可适应IO系统第2版(ADIOS2)解决此数据访问挑战的努力。我们专注于构建并发布一个以数字病理为中心、基于ADIOS2的流水线，以促进跨WSI的流式数据管理。此外，我们开发了旨在缩短数据检索时间的策略。性能评估涵盖两个关键场景：(1) 纯基于CPU的图像分析场景（“CPU场景”），以及(2) 基于GPU的深度学习框架场景（“GPU场景”）。我们的发现揭示了显著结果。在CPU场景下，ADIOS2相较暴力方法展现出两倍速的提升。在GPU场景下，其性能与前沿的GPU I/O加速框架NVIDIA Magnum IO GPU Direct Storage (GDS)相当。据我们所知，这似乎是数字病理领域中利用ADIOS2的初期实例之一（若有）。源代码已公开于 https://github.com/hrlblab/adios。
引用
@article{arxiv.2308.05784,
title = {High-performance Data Management for Whole Slide Image Analysis in Digital Pathology},
author = {Haoju Leng and Ruining Deng and Shunxing Bao and Dazheng Fang and Bryan A. Millis and Yucheng Tang and Haichun Yang and Xiao Wang and Yifan Peng and Lipeng Wan and Yuankai Huo},
journal= {arXiv preprint arXiv:2308.05784},
year = {2023}
}