[論文レビュー] GPU-Based Fuzzy C-Means Clustering Algorithm for Image Segmentation

Mishal Almazrooie, Mogana Vadiveloo+1 more|arXiv (Cornell University)|Jan 1, 2016

Medical Image Segmentation Techniques参考文献 10被引用数 3

ひとこと要約

本稿では、CUDA対応GPUを活用したデータ並列処理により高速処理を実現する、GPUアクセラレートFuzzy C-Means（FCM）クラスタリングアルゴリズムを提案する。各ピクセルを1つのGPUスレッドにマッピングすることで、1MBの脳MRIデータセットに対して、逐次処理時と比較して実行時間を519秒から2.33秒に短縮し、245倍の高速化を達成した。同時に、逐次FCMと同等のセグメンテーション精度を維持した。

ABSTRACT

In this paper, a fast and practical GPU-based implementation of Fuzzy C-Means(FCM) clustering algorithm for image segmentation is proposed. First, an extensive analysis is conducted to study the dependency among the image pixels in the algorithm for parallelization. The proposed GPU-based FCM has been tested on digital brain simulated dataset to segment white matter(WM), gray matter(GM) and cerebrospinal fluid (CSF) soft tissue regions. The execution time of the sequential FCM is 519 seconds for an image dataset with the size of 1MB. While the proposed GPU-based FCM requires only 2.33 seconds for the similar size of image dataset. An estimated 245-fold speedup is measured for the data size of 40 KB on a CUDA device that has 448 processors.

研究の動機と目的

• 大規模な医療画像データセットを処理する際の逐次Fuzzy C-Means（FCM）クラスタリングの計算非効率性を解消すること。
• 一般用途並列処理（GPGPU）を用いたFCMの並列化の可能性と性能向上の有効性を検討すること。
• セグメンテーション精度を維持しながら、実行時間を大幅に短縮するスケーラブルなデータ並列GPU実装のFCMを開発すること。
• シミュレーテッド脳組織フィンガープリンティングデータセットを用いて、定性的および定量的指標（特にDice類似係数（DSC））を用いて、提案手法の性能を評価すること。

提案手法

• 提案手法は、Tesla C2050デバイスの448個のGPUプロセッサを活用し、各画像ピクセルを1つのCUDAスレッドにマッピングすることで、細粒度なデータ並列処理を実現する。
• アルゴリズムは、標準的なFCM目的関数（式1）を実装し、反復的なクラスタ中心（式3）および所属度値（式4）の更新を並列で実行する。
• 収束条件は、反復間での所属度値の変化が閾値ε = 0.005未満に達した場合に設定される。
• 実装は、GPU上で所属度およびクラスタ中心の更新計算を並列実行するためのCUDAカーネル起動モデルを用いる。
• 実行時間の測定には、正確性と検証の両方を目的として、gettimeofday()およびcudaEventRecord()が使用された。
• セグメンテーション精度の評価には、正解データセットとの比較にDice類似係数（DSC）が用いられた。

実験結果

リサーチクエスチョン

• RQ1 GPUベースのFCM実装は、大規模な医療画像データセットに対して、逐次FCMと比較して顕著な高速化を達成できるか？
• RQ2 並列FCM実装は、逐次のバージョンと比較して、セグメンテーション精度をどのように維持しているか？
• RQ3 20KBから1MBの範囲で、さまざまな画像サイズに対してGPUベースのFCMのスケーラビリティはどの程度か？
• RQ4 実行時間およびスピードアップ比の観点から、提案されたGPU-FCMは逐次FCMと比較して、どのように性能を発揮するか？

主な発見

• 1MBの画像データセットを処理する際、提案されたGPUベースのFCMは、逐次FCM実装と比較して245倍の高速化を達成した。
• 40KBのデータセットでは245倍の高速化が達成され、80KBでは169倍に低下したが、300KBを超えるデータセットでは186〜238倍の高速化が維持された。
• 1MBデータセットにおける実行時間は、提案手法で2.33秒、逐次FCM2実装では519秒であった。
• Dice類似係数（DSC）の結果から、並列FCMのセグメンテーション精度は、全テストスライス（91番目、96番目、101番目、111番目）において、逐次FCMと統計的に差がないことが示された。
• 本手法は強力なスケーラビリティを示し、画像サイズに比例して実行時間が線形に増加する一方で、大規模データセットにおいても高いパフォーマンスを維持した。