[论文解读] 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 6

一句话总结

本文提出Faster Mean-shift，一种基于GPU加速的算法，通过引入在线种子优化策略（OSOP）动态最小化种子数量，从而加速基于嵌入的细胞分割与追踪，减少计算量和GPU显存占用。该方法在保持高精度的同时，相较最先进方法实现7–10倍加速，使实时医学图像分析成为可能。

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.

研究动机与目标

• 为解决基于嵌入的细胞分割与追踪算法推理速度缓慢的问题，其单帧处理时间可达1–2分钟。
• 减少均值漂移聚类中像素嵌入的计算开销与GPU显存使用量。
• 开发一种即插即用的解决方案，在不牺牲分割精度的前提下加速推理过程。
• 实现在医学影像应用中基于嵌入的细胞追踪的实时部署。

提出的方法

• 提出一种在线种子优化策略（OSOP），在聚类过程中自适应地确定最小种子数量。
• 在GPU加速的均值漂移聚类中应用OSOP，以减少冗余计算与内存占用。
• 优化均值漂移算法以支持GPU架构上的并行执行，加速收敛过程。
• 采用基于局部嵌入密度与空间分布动态调整的种子选择策略。
• 将OSOP集成到基于嵌入的实例分割与追踪推理流程中。
• 使用四个ISBI细胞追踪挑战赛数据集的仿真与真实数据对方法进行验证。

实验结果

研究问题

• RQ1 自适应种子选择策略是否能显著降低均值漂移聚类在细胞分割中的计算量与内存使用？
• RQ2 结合GPU加速与动态种子优化，能在多大程度上提升基于嵌入的细胞追踪推理速度？
• RQ3 在多样化的生物图像数据集中，所提方法相较于最先进基于嵌入的算法，在速度与精度方面表现如何？
• RQ4 OSOP策略是否能在大幅减少种子数量的同时保持高分割精度？

主要发现

• Faster Mean-shift算法相较最先进基于嵌入的细胞实例分割与追踪算法实现7–10倍加速。
• 通过自适应种子选择降低GPU显存消耗，实现在标准硬件上的高效推理。
• 算法在四个ISBI细胞追踪挑战赛数据集上经验证保持高分割精度。
• OSOP策略有效最小化种子数量，同时保持聚类保真度并加速收敛。
• Faster Mean-shift在GPU优化基准中实现最高计算速度，且内存使用优化良好。
• 该算法可作为即插即用模块，部署于其他基于像素嵌入的医学图像分析聚类任务中。