Запропоновано підхід до розпаралелення процесу обчислення кількісних характеристик ядер клітин на біомедичних зображеннях (цитологічних, гістологічних, імуногістохімічних), що дасть змогу пришвидшити процес постановки діагнозу. Для постановки діагнозу використовують сучасні методи і засоби інтелектуального аналізу даних, складовою частиною якого є класифікація даних. При використанні згорткових нейронних мереж вхідними даними для їх класифікації є зображення у форматі *.jpg, *.png, *.bmp та ін. Альтернативні алгоритми та засоби оброблення даних здебільшого вимагають наявності кількісних характеристик. У випадку використання біомедичних зображень кількісними характеристиками є площа, периметр, окружність, довжина головної та бічної осі ядра клітин. Площа та інші характеристики ядер клітин характеризують нормальний стан або наявність патології.
Розпаралелення процесу обчислення характеристик біомедичних зображень реалізовано на підставі алгоритмів комп'ютерного зору для виділення необхідних об'єктів і засобів програмного розпаралелення задач на рівні потоків для пришвидшення процесу обчислення характеристик ядра клітин. Підхід полягає у програмному розпаралеленні на рівні потоків незалежних задач обчислення кількісних характеристик ядер клітин з використанням Executor framework. Встановлено, що наявні системи автоматизованої мікроскопії та системи діагностування на підставі зображень не володіють наявністю великої кількості характеристик ядер клітин та не мають механізмів до розпаралелення процесу їх обчислення. Запропонований підхід дає змогу пришвидшити процес обчислення кількісних характеристик ядер клітин на 25 %. Актуальність задачі розпаралелення обумовлена потребою опрацювання великого обсягу даних для подальшої їх редукції та класифікації. Розпаралелення на рівні потоків дає змогу збільшити швидкість опрацювання зображень та не вимагає наявності спеціалізованого апаратного забезпечення.
[1] AlZubi, Shadi, Shehab, Mohammed, Al-Ayyoub, Mahmoud, Jararweh, Yaser, Gupta, Brij. (2020). Parallel implementation for 3D medical volume fuzzy segmentation. Pattern Recognition Letters, 130, 312-318.
https://doi.org/10.1016/j.patrec.2018.07.026
[2] Amgad, M., Elfandy, H., Hussein, H. (2019). Structured crowdsourcing enables convolutional segmentation of histology images. Bioinformatics, 35(18), 3461 3467.
https://doi.org/10.1093/bioinformatics/btz083
[3] Araújo, T, Aresta, G, Castro, E, Rouco, J, Aguiar, P, Eloy, C, Polónia, A., & Campilho, A.. (2017). Classification of breast cancer histology images using Convolutional Neural Networks. PLoS ONE, 12(6), e0177544.
https://doi.org/10.1371/journal.pone.0177544
[4] Barreiros, W., C.M.A. Melo, A., Kong, J., Ferreira, R., M. Kurc, T., H. Saltz, J., Teodoro, G. (2022). Efficient microscopy image analysis on CPU-GPU systems with cost-aware irregular data partitioning. Journal of Parallel and Distributed Computing, 164, 40-54.
https://doi.org/10.1016/j.jpdc.2022.02.004
[5] Berezky, O. M. (Ed.), Batko, Yu. M., Berezka, K. M., Verbovy, S. O., Datsko, T. V., Dubchak, L. O., Ignatev, I V., Melnik, G. M., Nikoluk, V. D., & Pitsun, O. Y. (2017). Methods, algorithms and software tools for the processing of biomedical images: monograph. Ternopil: TNEU "Economic Thought", 330 p.
[6] Berezsky, O. M., Pitsun, O. Yo., Melnyk, G. M., & Datsko, T. V. (2021). Application of linear regression method for analysis of cytological images quantitative characteristics. Ukrainian Journal of Information Technology, 3(1), 73-77.
https://doi.org/10.23939/ujit2021.03.073
[7] Berezsky, O., Pitsun, O., Batryn, N., Berezska, K., Savka, N., & Dolynyuk, T. (2018). Image Segmentation Metric-Based Adaptive Method. IEEE Second International Conference on Data Stream Mining & Processing (DSMP), 554-557.
https://doi.org/10.1109/DSMP.2018.8478579
[8] Berezsky, O., Pitsun, O., Derish, B., Berezska, K., Melnyk, G., & Batko, Y. (2020). Adaptive Immunohistochemical Image Pre-processing Method. 10th International Conference on Advanced Computer Information Technologies (ACIT), 820-823.
https://doi.org/10.1109/ACIT49673.2020.9208920
[9] Berezsky, O., Pitsun, O., Dubchak, L., Berezka, K., Dolynyuk, T., & Derish, B. (2020). Cytological Images Clustering of Breast Pathologies. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), 62-65.
https://doi.org/10.1109/CSIT49958.2020.9321867
[10] Cao, Jianfang, Chen, Lichao, Wang, Min, & Tian, Yun (2018). Implementing a Parallel Image Edge Detection Algorithm Based on the Otsu-Canny Operator on the Hadoop Platform. Computational Intelligence and Neuroscience, 2018, Article ID 3598284.
https://doi.org/10.1155/2018/3598284
[11] Demirović, D., Skejić, E., & Šerifović - Trbalić, A. (2018). Performance of Some Image Processing Algorithms in Tensorflow. 25th International Conference on Systems, Signals and Image Processing (IWSSIP), 1-4.
https://doi.org/10.1109/IWSSIP.2018.8439714
[12] Fujima, N., Hirata, K., Shiga, T., Li, R. (2018). Integrating quantitative morphological and intratumoural textural characteristics in FDG-PET for the prediction of prognosis in pharynx squamous cell carcinoma patients. Clinical Radiology, 73(12).
https://doi.org/10.1016/j.crad.2018.08.011
[13] Gancheva, V. (2021). Parallel Multithreaded Medical Images Filtering. 2021 International Conference on Computational Science and Computational Intelligence (CSCI), 1788-1793.
https://doi.org/10.1109/CSCI54926.2021.00338
[14] Haiyan, Gu, Han, Yanshun, Yang, Yi, Li, Haitao, Liu, Zhengjun, Soergel, Uwe, Blaschke, Thomas, & Cui, Shiyong (2018). An Efficient Parallel Multi-Scale Segmentation Method for Remote Sensing Imagery. Remote Sensing, 10(4), 590.
https://doi.org/10.3390/rs10040590
[15] Hangün, B., Eyecioğlu, Ö. (2017). Performance Comparison Between OpenCV Built-i CPU and GPU Functions on Image Processing Operations. International Journal of Engineering Science and Application, 1, 34-41.
[16] Huang, B., Xue, J., Lu, K., Tan, Y., & Zhao, Y. (2021). MPNet: Multi-scale Parallel Codec Net for Medical Image Segmentation. In: Fang, L., Chen, Y., Zhai, G., Wang, J., Wang, R., Dong, W. (Eds). Artificial Intelligence. CICAI 2021. Lecture Notes in Computer Science, 13069. Springer, Cham.
https://doi.org/10.1007/978-3-030-93046-2_42
[17] Li, Y., Wu, J., & Wu, Q. (2019). Classification of Breast Cancer Histology Images Using Multi-Size and Discriminative Patches Based on Deep Learning. IEEE Access, 7, 21400-21408.
https://doi.org/10.1109/ACCESS.2019.2898044
[18] Peizhen, Xie, Ke, Zuo, Jie, Liu, Mingliang, Chen, & Shuang, Zhao (2021). Interpretable Diagnosis for Whole-Slide Melanoma Histology Images Using Convolutional Neural Network. Journal of Healthcare Engineering, 2021, Article ID 8396438.
https://doi.org/10.1155/2021/8396438
[19] Qaiser, T., Tsang, Y.-W., Taniyama, D., Sakamoto, N., Nakane, K., Epstein, D., & Rajpoot, N. (2019). Fast and accurate tumor segmentation of histology images using persistent homology and deep convolutional features. Medical Image Analysis, 55, 1-14.
https://doi.org/10.1016/j.media.2019.03.014
[20] Ramirez-Quintana, J., Acosta-Lara, I., Ramirez-Alonso, G., Chacon-Murguia, M., & Corral-Saenz, A. (2022). A Lightweight Convolutional Neural Network for Breast Cancer Diagnosis with Histology Images. Pattern Recognition. MCPR 2022. Lecture Notes in Computer Science, 13264. Springer, Cham.
https://doi.org/10.1007/978-3-031-07750-0_30
[21] Roels, J., De Vylder, J., Saeys, Y., Goossens, B., & Philips, W. (2016). Decreasing Time Consumption of Microscopy Image Segmentation Through Parallel Processing on the GPU. In: Blanc-Talon, J., Distante, C., Philips, W., Popescu, D., Scheunders, P. (Eds). Advanced Concepts for Intelligent Vision Systems. ACIVS 2016. Lecture Notes in Computer Science, 10016. Springer, Cham.
https://doi.org/10.1007/978-3-319-48680-2_14
[22] Vang, S., Chen, Y. Z., & Xie, X. (2018). Deep Learning Framework for Multi-class Breast Cancer Histology Image Classification. Computer Vision and Pattern Recognition, Computer Science, Arxiv. https://doi.org/10.48550/arXiv.1802.00931
https://doi.org/10.1007/978-3-319-93000-8_104
[23] Xu, H., Liu, L., Lei, X., Mandal, M., Lu, C. (2021). An unsupervised method for histological image segmentation based on tissue cluster level graph cut. Computerized Medical Imaging and Graphics, 93.
https://doi.org/10.1016/j.compmedimag.2021.101974