MICCAI是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society)举办,是跨医学影像计算(MIC)和计算机辅助介入(CAI)两个领域的综合性学术会议。被公认为是医学成像计算、医疗机器人、人工智能、辅助介入、计算机生物医学等领域最顶级的国际会议。
此次交大获奖的印戎细胞检测模型,提出了针对印戎细胞检测任务中仅有部分病例图像区域具备有效标注的解决方案,创新性地提出了解耦梯度范数均衡损失,解决漏标注带来的模型优化方向偏离以及模型过拟合问题,提高模型在医学影像中普遍存在的弱监督学习任务上的召回率以及鲁棒性。
印戎细胞检测模型(CNN)是一个计算密集型任务,需要同时占用大量内存进行模拟训练。最适用于CNN模型训练的是通过GPU运算。但鉴于GPU显存存量的硬件瓶颈,徐奕副教授团队与DBCloud深脑云公司达成合作,采用由DBCloud深脑云提供的DBCloud一体机进行深度学习训练,在OpenPOWER技术的帮助下,参赛团队能够实现超大模型的处理,极大提高了模型的精度。
DBCloud深脑云是一家专注于人工智能领域计算机服务的集成解决方案提供商。其DBCloud AI 一体机解决方案,采用OpenPOWER技术,支持大型模型处理(LMS),能够在保证训练性能的前提下,将显存提高2-5倍。突破显存限制,解决了训练过程中GPU显存不足问题。
LMS解决方案包括硬件和软件创新。硬件平台为 IBM OpenPOWER架构,CPU处理器自带NVlink通信模块,最大支持150G每秒的带宽。因此,GPU和CPU之间的数据可以高速交换。通过LMS框架将内存共享给GPU直接使用,从而突破显存容量的限制。
软件平台则采用了DBCloud深脑云自主研发的LAB实验平台,对GPU集群进行统一的管理、调度、检测等。在软硬件结合的情况下,深度学习模型可以在没有任何模型改变的情况下,扩展到超出更大的训练范围。同时,借助高带宽总线连接GPU和CPU,训练速度也在极高的水平线上。
DBCloud AI一体机的使用大大增加徐奕副教授团队模型的深度和复杂性,提高模型的处理批次以及医学影像的分辨率,助力团队印戎细胞检测模型顺利解决标注带来的模型优化方向偏离以及模型拟合问题,在医学影像计算领域以及计算机辅助介入领域产生重大突破,进一步发挥人工智能在辅助决策、优化病理诊断等数字病理领域的应用价值。