[논문 리뷰] Faster Mean-shift: GPU-accelerated Embedding-clustering for Cell Segmentation and Tracking

Mengyang Zhao, Aadarsh Jha외 7명|arXiv (Cornell University)|2020. 07. 28.

AI in cancer detection참고 문헌 24인용 수 6

한 줄 요약

이 논문은 임베딩 기반 세포 분할 및 추적을 가속화하기 위해 온라인 시드 최적화 정책(осоп)을 도입한 GPU 가속 알고리즘인 Faster Mean-shift를 제안한다. 이 정책은 동적으로 시드 수를 최소화하여 계산량과 GPU 메모리 사용량을 줄인다. 최신 기술 대비 7–10배의 속도 향상을 달성하면서도 높은 정확도를 유지하여 실시간 의료 영상 분석을 가능하게 한다.

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.

연구 동기 및 목표

• 임베딩 기반 세포 분할 및 추적 알고리즘의 느린 추론 속도(프레임당 1–2분)를 해결하기 위해.
• 픽셀 임베딩을 위한 평균 이동 클러스터링에서 계산 오버헤드와 GPU 메모리 사용량을 줄이기 위해.
• 정확도를 희생시키지 않고도 추론 속도를 가속화할 수 있는 즉시 사용 가능한 솔루션을 개발하기 위해.
• 의료 영상 응용 분야에서 임베딩 기반 세포 추적의 실시간 구현을 가능하게 하기 위해.

제안 방법

• 클러스터링 중에 최소한의 시드 수를 적응적으로 결정하는 온라인 시드 최적화 정책(осоп)을 도입한다.
• GPU 가속 평균 이동 클러스터링 중에 OSOP를 적용하여 불필요한 계산과 메모리 프로필을 줄인다.
• GPU 아키텍처에서의 병렬 실행을 최적화하여 평균 이동 알고리즘의 수렴 속도를 가속화한다.
• 지역적 임베딩 밀도와 공간 분포에 기반해 동적으로 시드 선택 전략을 조정한다.
• 임베딩 기반 인스턴스 분할 및 추적의 추론 파이프라인에 OSOP를 통합한다.
• 네 개의 ISBI 세포 추적 챌린지 코hort의 시뮬레이션 및 실재 데이터를 사용해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 적응형 시드 선택 전략이 세포 분할을 위한 평균 이동 클러스터링에서 계산량과 메모리 사용량을 크게 줄일 수 있는가?
• RQ2 GPU 가속과 동적 시드 최적화를 조합하면 임베딩 기반 세포 추적의 추론 속도를 얼마나 향상시킬 수 있는가?
• RQ3 다양한 생물학적 영상 데이터셋에서 최신 기술 대비 제안된 방법의 속도와 정확도 측면에서의 성능 비교는 어떠한가?
• RQ4 OSOP 정책은 시드 수를 극적으로 줄이면서도 높은 분할 정확도를 유지할 수 있는가?

주요 결과

• Faster Mean-shift 알고리즘은 최신 기술 대비 7–10배의 속도 향상을 달성한다.
• 적응형 시드 선택을 통해 GPU 메모리 소비를 줄여 일반 하드웨어에서도 효율적인 추론을 가능하게 한다.
• 네 개의 ISBI 세포 추적 챌린지 데이터셋에서 검증된 결과, 알고리즘은 높은 분할 정확도를 유지한다.
• OSOP 정책는 클러스터링의 정밀도를 유지하면서도 시드 수를 효과적으로 최소화하고 수렴 속도를 가속화한다.
• 최적화된 메모리 사용과 함께, GPU 최적화 벤치마크 중에서 가장 높은 계산 속도를 기록한다.
• 이 알고리즘은 의료 영상 분석에서 다른 픽셀 임베딩 기반 클러스터링 작업에 즉시 사용 가능한 모듈로 배포 가능하다.