Pyradiomics: 매우 큰 분할을 위한 PyRadiomics 프로파일링

@blezek 저는 @Radiomics/개발자에게 전체 두뇌에서 radiomics를 실행하려고 할 때 성능 문제가 발생할 것이라고 언급했습니다. 그래서 @JoostJM 은 약간의 프로파일링을 했습니다.

glszm 코드를 간단히 살펴보면 구현을 최적화할 여지가 많은 것처럼 보입니다.

C 코드에서? 대처 방법에 대한 일반적인 아이디어가 있습니까?

C 코드에서? 대처 방법에 대한 일반적인 아이디어가 있습니까?

스레드 사용을 살펴볼 수 있습니다.

즉, 바닐라 C 코드와 함께 스레딩 라이브러리를 사용하는 것은 올바른 작업을 수행하기 어려울 수 있습니다 .

ITK 필터를 구현하는 것이 도움이 될 수 있다고 생각합니다(예: ITK 원격 모듈). 그러면 관련 교차 플랫폼 이미지 처리 및 스레딩 API를 활용할 수 있습니다. 이러한 필터는 SimpleITK를 통해 노출될 수 있습니다.

@thewtex @jbvimort 통찰력이 있는지 궁금합니다 ...

라인별 프로파일링을 수행하는 것이 가장 좋지만 내 생각에 이 중첩 루프 세트 는 꽤 느립니다. numpy.where를 사용하면 느릴 수 있으며 긴 좌표 목록을 반환합니다.

각 픽셀이 독립적이어야 하므로 이 작업이 스레드될 수 있다는 Jc의 의견에 동의합니다. 또한 동일한 작업의 SimpleITK 구현이 훨씬 더 빠를 수 있습니다. 그러나 먼저 프로파일링을 수행하고 기존 Python 코드를 최적화하는 방법이 있는지 확인하겠습니다.

@pieper 프로파일링에서 Joost가 이미 _calculateCMatrix 가 시간의 77%를 차지하는 것으로 나타납니다(프로파일링 요약을 올바르게 해석하는 경우).

당신이 말하는 것은 아마도 이 코드에 대한 호출 일 것입니다. 예, 꽤 계산 집약적으로 보입니다.

이 기능이 정말 유익하고 큰 이미지 마스크가 중요한 사용 사례인 경우 "단순한 C 라이브러리" 접근 방식이 적어도 현재 작성된 것처럼 충분하지 않을 수 있습니다. C 코드를 더 효율적으로 만들거나 스레딩 또는 SimpleITK 구현과 같은 다른 옵션을 탐색할 수 있습니다.

@pieper @fedorov , 정말 이 전화 입니다. 더 효율적으로 만들 수 있는지 살펴보겠습니다.

가능하다면 2가지 이유로 멀티스레딩 구현을 피하고 싶습니다.

1. 이것은 C 코드를 훨씬 더 복잡하게 만들 것입니다.
2. 여러 환자에 대한 기능을 추출할 때 환자 수준(각 환자 1개 스레드)에서 멀티스레딩으로 성능을 높입니다. 이 경우 환자 추출 단일 스레드를 유지하기 위해 SimpleITK도 단일 스레드로 설정했습니다.

참고로 c GLSZM이 시간이 많이 걸리는 주된 이유는 계산 집약적이며 12번 호출되기 때문입니다(다른 파생 이미지로 인해). SimpleITK의 labelshapestatistics 이미지 필터에 대한 호출은 단일 호출에 가장 많은 시간이 걸리지만 추출당 한 번만 호출됩니다(모양의 일부이므로 원본 이미지 유형에서만 계산됨).

SimpleITK 호출은 너무 많은 시간이 걸립니다. 이것은 Feret 직경(최대 3D 직경)을 계산하기 때문입니다.
이 직경을 사용하거나 사용하지 않고 labelshapestatistics 이미지 필터를 실행하면 전체 brain1 마스크에 대해 21ms 대 271053ms의 시간 차이가 있습니다.

이제 여기에 도움이 될 수 itk-texturefeatures 가 있습니다.

@JoostJM itk-texturefeatures 보셨나요? 속도가 어떻게 비교되고 기능 세트가 현재 pyradiomics c 코드에 있는 것과 비교할 수 있는지 아는 것은 흥미로울 것입니다.

https://github.com/InsightSoftwareConsortium/ITKTextureFeatures/tree/2b4544fe39e0ece9007a0d87c396c8586c6f4df5/example

@pieper , 휴가에서 막 돌아왔지만 이것은 확실히 흥미롭습니다.
PyRadiomics 및 ITK 텍스처 기능(복셀 현명한 계산 구현)에서 사용되는 유사한 마스크를 사용하여 일부 프로파일링을 수행했습니다. 피라미드 성능은 ITK의 성능과 유사했습니다.
PyRadiomics의 단점은 3D 입력만 허용하는 반면 ITK는 N차원이라는 것입니다. 반면에 PyRadiomics는 단일 스레드 모드에서 이러한 성능을 달성하고 GLCM에서 더 많은 기능을 계산합니다.

기능 세트 측면에서 내가 볼 수 있는 한 공식 정의는 유사하며 PyRadiomics는 GLCM과 GLRLM 모두에서 더 많은 기능을 가지고 있습니다. ITK의 텍스처 기능에는 PyRadiomics에 없는 단 하나의 기능(GLCM에서)이 있지만 이것은 ITK에서 Haralick's correlation 로 존재하는 PyRadiomics의 correlation 의 유사한 구현입니다. 즉, ITK가 PyRadiomics의 고정된 빈 너비와 반대로 고정된 빈 수를 사용했기 때문에 여전히 약간의 차이가 있을 것이라고 생각합니다.

@JoostJM 을 확인해 주셔서 감사합니다.