PyRadiomics-cuda: 3D features extraction from medical images for HPC using GPU acceleration

Each language version is independently generated for its own context, not a direct translation.

Immagina di avere una biblioteca enorme piena di libri (le immagini mediche, come le TAC o le risonanze magnetiche) e il tuo compito è trovare informazioni specifiche su ogni singolo libro per aiutare i medici a diagnosticare malattie.

PyRadiomics è come un bibliotecario molto intelligente che sa leggere questi libri e trasformare le immagini in numeri utili. Tuttavia, c'è un problema: quando deve calcolare la forma tridimensionale di un tumore (come il suo volume, la superficie o il diametro massimo), questo bibliotecario lavora a mano, pietra dopo pietra. Se il libro è piccolo, ci mette pochi secondi. Ma se il libro è enorme (come una scansione ad alta risoluzione), il bibliotecario impiega ore, bloccando tutto il lavoro.

Ecco come PyRadiomics-cuda risolve il problema, spiegato in modo semplice:

1. Il Problema: Il Bibliotecario Stanco

Nella versione originale, il software usa il processore del computer (la CPU) per fare questi calcoli geometrici complessi. È come se un solo operaio dovesse dipingere un intero grattacielo, mattoncino per mattoncino. Per i dati piccoli va bene, ma per le grandi scansioni mediche, questo diventa il "collo di bottiglia" che rallenta tutto, rendendo impossibile analizzare migliaia di pazienti in tempi ragionevoli.

2. La Soluzione: L'Armata di Robot (La GPU)

Gli autori di questo studio hanno creato PyRadiomics-cuda. Immagina di non dare il lavoro a un solo operaio, ma di assumere un'armata di migliaia di robot veloci (la GPU, la scheda video del computer).

Invece di un solo che calcola tutto, migliaia di robot lavorano contemporaneamente su piccoli pezzi della forma.
È come se invece di un solo pittore, avessi 10.000 pennelli che dipingono il grattacielo tutti insieme in pochi secondi.

3. La Magia: Funziona Senza Cambiare nulla

La cosa più geniale è che questo "super-potere" è invisibile.

Compatibilità: Il software è stato progettato per essere un "camaleonte". Se il computer ha una scheda video potente, usa i robot (GPU) per lavorare velocemente. Se il computer è vecchio o non ha una scheda video adatta, il software torna gentilmente a usare il bibliotecario umano (CPU) senza rompersi o dare errori.
Nessun codice da riscrivere: Chi usa già PyRadiomics non deve imparare nulla di nuovo o riscrivere i propri programmi. Basta installare l'aggiornamento e il software fa tutto da solo, accelerando magicamente i calcoli.

4. I Risultati: Da Ore a Secondi

Gli scienziati hanno testato questo sistema su tre tipi di computer:

Un supercomputer moderno (come un Ferrari da corsa).
Un normale computer da scrivania (come un'auto familiare).
Un vecchio server economico (come un furgone usato).

Il risultato è stato sbalorditivo:

Su un computer moderno, l'analisi di una forma 3D è diventata fino a 2.000 volte più veloce.
Anche su un computer economico, il lavoro è stato completato 8 volte più velocemente.
Per i dati più grandi, quello che prima richiedeva minuti o ore, ora richiede pochi secondi.

Perché è importante?

Immagina di dover analizzare 40.000 polmoni per una ricerca sul cancro. Con il metodo vecchio, ci vorrebbero mesi e costerebbe una fortuna in elettricità e tempo macchina. Con PyRadiomics-cuda, lo stesso lavoro può essere fatto in giorni o ore, risparmiando risorse preziose e permettendo ai ricercatori di trovare cure più velocemente.

In sintesi: Hanno preso un software medico già ottimo, gli hanno dato un motore a reazione (la GPU) e hanno assicurato che potesse guidare sia su una pista da Formula 1 che su una strada sterrata, senza che il pilota (l'utente) debba cambiare le mani sul volante.

Each language version is independently generated for its own context, not a direct translation.

Titolo

PyRadiomics-cuda: Estrazione di caratteristiche 3D da immagini mediche per HPC tramite accelerazione GPU

1. Il Problema

L'estrazione di caratteristiche radiomiche (radiomics) è fondamentale per la diagnosi del cancro, la previsione della risposta al trattamento e la sopravvivenza, trasformando le immagini mediche (CT, MRI, PET) in dati analizzabili. La libreria open-source PyRadiomics è lo standard de facto per questo compito.

Tuttavia, l'estrazione di caratteristiche basate sulla forma (shape features) in 3D rappresenta un collo di bottiglia computazionale critico:

Complessità: Operazioni come la generazione di mesh (algoritmo Marching Cubes), il calcolo dell'area superficiale e, soprattutto, il calcolo del diametro massimo 3D (che richiede il calcolo delle distanze tra tutte le coppie di vertici) hanno una complessità computazionale elevata ( $O(n^3)$ o $O(m^2)$ ).
Limiti attuali: Su grandi volumi o risoluzioni elevate, PyRadiomics può dedicare fino al 99,9% del tempo totale al calcolo dei diametri.
Scalabilità: Le implementazioni precedenti basate su GPU (es. fork sperimentali o cuRadiomics) soffrivano di incompatibilità con l'API originale di PyRadiomics, richiedevano flussi di lavoro personalizzati, o non supportavano le caratteristiche geometriche (si limitavano alle statistiche del primo ordine).

2. Metodologia

Gli autori hanno sviluppato PyRadiomics-cuda, un'estensione accelerata da GPU che mantiene la piena compatibilità con l'API originale di PyRadiomics.

Architettura e Design

Focus: L'accelerazione è applicata esclusivamente alla classe di caratteristiche "Shape" (Volume, Area Superficiale, Diametro 3D massimo e diametri planari).
Integrazione Trasparente: Utilizza un meccanismo di iniezione a tempo di compilazione (build-time injection). Il sistema di build (setuptools) rileva il compilatore CUDA (nvcc). Se presente, compila i kernel C/CUDA.
Dispatcher Dinamico: A runtime, un dispatcher controlla la disponibilità di una GPU.
- Se una GPU è disponibile e il driver funziona, il calcolo viene delegato ai kernel CUDA ottimizzati.
- In caso di assenza di GPU o errori, il sistema esegue un fallback automatico e trasparente alla versione CPU originale, garantendo la funzionalità su qualsiasi sistema senza modifiche al codice utente.

Ottimizzazioni dei Kernel CUDA

Il processo di estrazione delle caratteristiche 3D è stato parallelizzato in due fasi principali:

Marching Cubes Fuso: Una versione parallela dell'algoritmo Marching Cubes dove ogni voxel è processato da un thread separato. I thread calcolano i triangoli, aggiornano volumi e aree, e sincronizzano le strutture dati globali.
Calcolo Parallelo del Diametro: Un algoritmo parallelo che divide il carico di lavoro tra i thread per calcolare le distanze tra coppie di vertici, utilizzando operazioni di riduzione (reduction) per trovare il massimo globale.

Strategie di Ottimizzazione Testate:
Gli autori hanno confrontato diverse tecniche per adattarsi a diverse architetture GPU:

Load balancing di base.
Riduzioni atomiche basate su blocchi.
Uso della memoria condivisa (shared memory) con strutture 2D.
Accumulatori locali per thread: Riduzione delle operazioni atomiche globali (risultato efficace su hardware moderno).
Semplificazione degli accessi alla memoria (array 1D vs 2D).

3. Risultati Sperimentali

I test sono stati condotti su tre configurazioni hardware diverse utilizzando il dataset pubblico KITS19 (20 campioni con dimensioni variabili da 50kB a 9MB):

Cluster Moderno: NVIDIA H100 (14.592 core, 80GB VRAM).
Desktop: NVIDIA RTX 4070 (5.888 core, 12GB VRAM).
Cluster Budget: NVIDIA T4 (2.560 core, 16GB VRAM) su server vecchio.

Punti Chiave dei Risultati:

Speedup Computazionale:
- Su GPU budget (T4): Speedup da 8x a 24x rispetto alla CPU.
- Su GPU moderne (H100/RTX 4070): Speedup da 50x a oltre 2000x rispetto a processori Intel Xeon di vecchia generazione.
- Per file piccoli, il tempo di I/O (lettura file) domina, limitando lo speedup osservabile. Per file grandi (>200k vertici), l'accelerazione è massiccia.
Ottimizzazione Specifica per Hardware:
- Su H100: Le operazioni atomiche sono veloci, ma l'accesso alla memoria globale richiede attenzione.
- Su T4 (vecchio): Le operazioni atomiche sono meno efficaci; la strategia migliore è la riduzione basata su blocchi.
- Su RTX 4070: Gli accumulatori locali per thread hanno mostrato le migliori prestazioni.
Overhead di Trasferimento: Il tempo di trasferimento dati CPU-GPU è stato compensato dal guadagno nel calcolo, senza degradazione delle prestazioni.

4. Contributi Chiave

Compatibilità API: A differenza di soluzioni precedenti (come cuRadiomics), PyRadiomics-cuda non richiede modifiche al codice esistente né flussi di lavoro personalizzati.
Supporto Geometrico Completo: È l'unica soluzione GPU che accelera efficacemente le caratteristiche geometriche (mesh, diametri), spesso il collo di bottiglia principale.
Robustezza e Fallback: Il meccanismo di fallback automatico CPU/GPU garantisce l'usabilità in ambienti eterogenei (dai cluster HPC ai dispositivi domestici).
Open Source: Il codice è disponibile su GitHub sotto licenza BSD, promuovendo la riproducibilità della ricerca.

5. Significato e Impatto

Scalabilità per l'AI: Permette l'analisi radiomica su larga scala (es. il progetto xLUNGS con ~40.000 scansioni CT), riducendo drasticamente i tempi di estrazione delle feature necessari per l'addestramento di modelli di Intelligenza Artificiale.
Efficienza dei Costi: Riduce il tempo di utilizzo di infrastrutture costose (cluster HPC) e i costi di elaborazione per i task di Machine Learning.
Ponte tra HPC e Biomedicina: Colma il divario tra tecniche di calcolo ad alte prestazioni e l'analisi pratica dei dati biomedici, rendendo l'analisi radiomica 3D accessibile e veloce anche su hardware consumer o budget.

In conclusione, PyRadiomics-cuda risolve il problema della lentezza nell'estrazione di caratteristiche 3D mantenendo la semplicità d'uso e la compatibilità che hanno reso PyRadiomics uno standard nella comunità scientifica.