[論文レビュー] Faster Mean-shift: GPU-accelerated Embedding-clustering for Cell Segmentation and Tracking

Mengyang Zhao, Aadarsh Jha+7 more|arXiv (Cornell University)|Jul 28, 2020

AI in cancer detection参考文献 24被引用数 6

ひとこと要約

本稿では、埋め込みベースの細胞セグメンテーションおよびトラッキングを高速化するため、動的最小化によりシードをリアルタイムで最適化するオンラインシード最適化ポリシー（OSOP）を導入した、GPUアクセラレートされたアルゴリズム「Faster Mean-shift」を提案する。計算量とGPUメモリ使用量を削減することで、最先端の手法と比較して7–10倍の高速化を達成し、高い精度を維持している。これにより、リアルタイムでの医療画像解析が可能になる。

ABSTRACT

Recently, single-stage embedding based deep learning algorithms gain increasing attention in cell segmentation and tracking. Compared with the traditional segment-then-associate two-stage approach, a single-stage algorithm not only simultaneously achieves consistent instance cell segmentation and tracking but also gains superior performance when distinguishing ambiguous pixels on boundaries and overlapped objects. However, the deployment of an embedding based algorithm is restricted by slow inference speed (e.g., around 1-2 mins per frame). In this study, we propose a novel Faster Mean-shift algorithm, which tackles the computational bottleneck of embedding based cell segmentation and tracking. Different from previous GPU-accelerated fast mean-shift algorithms, a new online seed optimization policy (OSOP) is introduced to adaptively determine the minimal number of seeds, accelerate computation, and save GPU memory. With both embedding simulation and empirical validation via the four cohorts from the ISBI cell tracking challenge, the proposed Faster Mean-shift algorithm achieved 7-10 times speedup compared to the state-of-the-art embedding based cell instance segmentation and tracking algorithm. Our Faster Mean-shift algorithm also achieved the highest computational speed compared to other GPU benchmarks with optimized memory consumption. The Faster Mean-shift is a plug-and-play model, which can be employed on other pixel embedding based clustering inference for medical image analysis.

研究の動機と目的

• 埋め込みベースの細胞セグメンテーションおよびトラッキングアルゴリズムの推論速度が1フレームあたり1–2分もかかることを解決すること。
• ピクセル埋め込みにおけるmean-shiftクラスタリングにおける計算オーバーヘッドとGPUメモリ使用量を低減すること。
• 精度を損なわず推論を高速化する、即挿入型のソリューションを開発すること。
• 埋め込みベースの細胞トラッキングを医療画像応用においてリアルタイムで実装可能にする。

提案手法

• クラスタリング中に最小シード数を動的に決定するオンラインシード最適化ポリシー（OSOP）を導入する。
• GPUアクセラレートされたmean-shiftクラスタリングにOSOPを適用し、冗長な計算とメモリフットプリントを削減する。
• GPUアーキテクチャに最適化された並列実行を実現するため、mean-shiftアルゴリズムを高速化する。
• 局所的な埋め込み密度と空間的分布に基づいて動的にシード選択を調整する戦略を採用する。
• 埋め込みベースのインスタンスセグメンテーションおよびトラッキングの推論パイプラインにOSOPを統合する。
• 4つのISBIセルトラッキングチャレンジのシミュレーションおよび実データを用いて手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 適応的シード選択戦略は、細胞セグメンテーションのmean-shiftクラスタリングにおいて、計算量とメモリ使用量を顕著に削減できるか？
• RQ2 GPUアクセラレーションと動的シード最適化を組み合わせることで、埋め込みベースの細胞トラッキングにおける推論速度はどの程度向上するか？
• RQ3 多様な生物学的画像データセットにおいて、提案手法は最先端の埋め込みベースアルゴリズムと比較して、速度と精度の面でどの程度優れているか？
• RQ4 OSOPポリシーは、シード数を著しく削減しながらも、高いセグメンテーション精度を維持できるか？

主な発見

• Faster Mean-shiftアルゴリズムは、最先端の埋め込みベースの細胞インスタンスセグメンテーションおよびトラッキングアルゴリズムと比較して7–10倍の高速化を達成した。
• 適応的シード選択によりGPUメモリ消費量が低減され、標準ハードウェアでも効率的な推論が可能になった。
• 4つのISBIセルトラッキングチャレンジデータセットを用いた検証により、高いセグメンテーション精度が確認された。
• OSOPポリシーは、クラスタリングの忠実性を保ちつつ、シード数を最小限に抑えることができ、収束を加速した。
• 最適化されたメモリ使用量を備えたGPU最適化ベンチマークの中で、Faster Mean-shiftは最高の計算速度を達成した。
• 本アルゴリズムは、医療画像解析における他のピクセル埋め込みベースのクラスタリングタスクに対しても、即挿入型モジュールとして利用可能である。