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

PyRadiomics-cuda 는 의료 영상에서 3 차원 형태 특징을 추출하는 PyRadiomics 라이브러리의 GPU 가속 확장판으로, 기존 API 와 완전 호환성을 유지하면서 대규모 데이터 처리 시간을 획기적으로 단축하여 HPC 환경 및 다양한 하드웨어에서 효율적인 방사선학 분석을 가능하게 합니다.

핵심

이 논문은 **"PyRadiomics-cuda"**라는 새로운 도구에 대해 설명합니다. 이 도구를 이해하기 위해 의학적 이미지 분석을 **'거대한 도서관에서 책을 정리하는 작업'**에 비유해 보겠습니다.

1. 문제 상황: 도서관 사서의 지친 하루

의학 이미지 (CT, MRI 등) 는 마치 거대한 3D 도서관입니다. 여기서 '방사선학 (Radiomics)'은 이 도서관의 책들 (세포나 조직) 을 분석하여 숫자 데이터를 뽑아내는 작업입니다. 특히 **'모양 (Shape)'**을 분석하는 것은 매우 중요합니다. 예를 들어, 종양의 모양이 얼마나 불규칙한지, 표면이 얼마나 거칠고 부피는 얼마나 큰지 등을 계산해야 합니다.

기존의 **'PyRadiomics'**라는 프로그램은 이 작업을 **한 명의 매우 빠른 사서 (CPU)**가 수행합니다.

• 문제점: 도서관이 작으면 (작은 이미지) 사서가 금방 끝내지만, 도서관이 거대해지면 (고해상도 3D 이미지) 사서는 책장 사이를 오가며 모든 책의 위치를 일일이 재고, 거리를 측정해야 합니다.
• 결과: 이 작업은 너무 오래 걸려서, 전체 시간의 **99.9%**를 '가장 먼 두 점 사이의 거리 (지름) 계산'에만 허비하게 됩니다. 마치 사서가 도서관 전체를 한 번에 훑어보지 못하고, 한 권 한 권 책을 들며 거리를 재느라 지쳐버린 상황입니다.

2. 해결책: 슈퍼 파워를 가진 로봇 군단 (GPU)

이 논문은 이 문제를 해결하기 위해 **'PyRadiomics-cuda'**라는 새로운 도구를 소개합니다. 이는 기존 프로그램에 **'NVIDIA GPU(그래픽 카드)'**라는 수천 명의 로봇 군단을 투입하는 것입니다.

• 기존 방식 (CPU): 사서 한 명이 모든 일을 혼자 합니다. (순차적 처리)
• 새로운 방식 (GPU): 수천 명의 로봇이 동시에 도서관의 각 구역을 나누어 맡아, 한 번에 모든 책의 거리를 재고 모양을 측정합니다. (병렬 처리)

3. 이 도구의 놀라운 특징

이 연구의 가장 큰 장점은 **'매우 똑똑한 자동화'**입니다.

1. 변경 없는 사용 (Seamless Integration):
   • 기존 프로그램 (PyRadiomics) 을 쓰던 연구자들은 코드를 하나도 고칠 필요가 없습니다. 마치 기존에 쓰던 스마트폰에 '초고속 충전기'를 꽂은 것과 같습니다. 버튼을 누르는 방식은 그대로지만, 충전 속도는 기하급수적으로 빨라집니다.
2. 자동 적응 (Auto-detection):
   • 컴퓨터에 고성능 GPU 가 있으면 자동으로 로봇 군단을 불러와서 일을 시키고, 없으면 다시 사서 한 명에게 맡깁니다. 사용자는 이 과정을 전혀 모릅니다.
3. 압도적인 속도 향상:
   • 작은 도서관: 속도 차이가 크지 않습니다. (읽는 시간 자체가 더 오래 걸려서)
   • 거대한 도서관 (대형 3D 이미지):
     • 일반적인 데스크탑 컴퓨터: 8~24 배 빨라짐.
     • 최신 AI 클러스터 (H100 같은 고성능 장비): 2,000 배까지 빨라짐!
     • 예전에는 2 분 걸리던 작업이 이제는 0.06 초 만에 끝납니다.

4. 실제 효과: 왜 이것이 중요한가?

이 연구는 **'xLUNGS'**라는 거대한 프로젝트 (약 4 만 개의 폐 CT 스캔 데이터) 에서 실제로 사용되었습니다.

• 과거: AI 모델을 훈련시키기 위해 데이터를 분석하는 데 몇 주가 걸려, 비싼 컴퓨터를 계속 켜두느라 막대한 비용이 들었습니다.
• 현재: 이 도구를 쓰니 분석 시간이 단축되어, 비싼 인프라 비용을 크게 절감할 수 있게 되었습니다.

5. 결론: 요약하자면

이 논문은 **"의학적 3D 이미지 분석이라는 거대한 짐을, 기존에 쓰던 도구 (PyRadiomics) 를 그대로 쓰면서, GPU 라는 '초고속 로봇 군단'을 투입해 가볍게 해결하는 방법"**을 제시했습니다.

• 핵심 비유: 혼자서 산을 오르는 사서 (CPU) 대신, 수천 명의 등산 가이드가 동시에 산을 정복하는 로봇 군단 (GPU) 을 투입하여, 코드는 그대로 유지하되 속도는 천문학적으로 빨라진 혁신적인 솔루션입니다.

이로 인해 의학과 AI 연구자들은 더 많은 데이터를 더 빠르게 분석하여, 암 진단이나 치료법 개발에 더 빠르게 기여할 수 있게 되었습니다.

기술 요약

1. 문제 정의 (Problem)

• 배경: 방사선학 (Radiomics) 은 의료 영상 (CT, MRI, PET 등) 에서 수치적 특징을 추출하여 암 진단, 치료 반응 예측 등에 활용합니다. 이 과정에서 널리 사용되는 오픈소스 라이브러리인 PyRadiomics는 표준화된 특징 추출을 제공하지만, 대규모 데이터 처리 시 성능 병목 현상이 발생합니다.
• 주요 병목 현상: 특히 3D 형태 (Shape) 특징 추출 (메쉬 생성, 표면적, 부피, 최대 3D 지름 계산 등) 은 계산 집약적입니다.
  • 기존 PyRadiomics 는 CPU 기반의 순차적 알고리즘을 사용하며, 대규모 ROI(관심 영역) 의 경우 전체 처리 시간의 99.9% 까지가 '지름 (Diameter) 계산'에 소요됩니다.
  • 지름 계산은 $O(m^2)$의 복잡도를 가지며, 메쉬 생성은 $O(n^3)$의 복잡도를 가질 수 있어 고해상도 3D 영상 처리 시 확장성이 매우 낮습니다.
• 기존 솔루션의 한계:
  • 기존 GPU 가속화 시도 (PyCUDA, CuPy 기반 포크 등) 는 호환성이 부족하거나 유지보수가 중단되었습니다.
  • cuRadiomics는 CUDA 아키텍처를 활용하지만, PyRadiomics 와의 API 호환성이 없어 기존 워크플로우 통합이 어렵고, 1 차 통계 및 텍스처 특징만 지원하며 3D 기하학적 특징 (Shape) 을 지원하지 않습니다.

2. 방법론 (Methodology)

저자들은 PyRadiomics 의 API 를 변경하지 않으면서 3D 형태 특징 추출을 가속화하는 PyRadiomics-cuda를 개발했습니다.

• 아키텍처 및 통합 방식:
  • 투명한 가속화 (Transparent Acceleration): PyRadiomics 의 기존 API 와 완전히 호환됩니다. 설치 시 setuptools 를 통해 CUDA 컴파일러 (nvcc) 가 감지되면 C/CUDA 확장 모듈이 빌드됩니다.
  • 디스패처 (Dispatcher) 패턴: 런타임에 CUDA 지원 장치가 있는지 확인합니다. GPU 가 있으면 최적화된 CUDA 커널로 작업을 위임하고, 실패 시나 GPU 가 없으면 원본 CPU 구현으로 자동 폴백 (Fallback) 하여 시스템 안정성을 보장합니다.
• 핵심 알고리즘 최적화:
  1. Marching Cubes 병렬화: 3D 메쉬 생성 시, 각 보셀 (Voxel) 을 별도의 스레드에서 처리하여 등고면 (Isosurface) 통과 여부를 판단하고 삼각형 메쉬를 생성합니다. 전역 데이터 구조 업데이트를 위해 스레드 동기화 전략을 최적화했습니다.
  2. 병렬 지름 계산: 최대 3D 지름 계산은 모든 정점 쌍의 거리를 계산해야 하므로 매우 무겁습니다. 이를 여러 스레드로 분할하여 부분 최대값을 계산한 후, 축소 (Reduction) 연산을 통해 전역 최대값을 도출합니다.
• 최적화 기법 (Micro-benchmarking):
  • 다양한 GPU 아키텍처 (구형 T4, 최신 H100 등) 에 맞춰 다양한 최적화 전략을 테스트했습니다.
  • 적용된 기법: 블록 기반 원자적 축소 (Block-based atomic reduction), 공유 메모리 (Shared Memory) 활용, 로컬 스레드 집계 (Local thread accumulators) 등.
  • 결과: 하드웨어에 따라 최적 전략이 달랐으며 (예: T4 는 블록 기반 축소, RTX4070 은 로컬 스레드 집계), 메모리 접근 패턴 단순화 (1D 배열) 는 큰 효과를 보이지 않아 최종 구현에서 제외되었습니다.

3. 주요 기여 (Key Contributions)

1. 호환성 유지: 기존 PyRadiomics 코드를 수정하지 않고 GPU 가속을 가능하게 하여, AI 워크플로우에 즉시 통합 가능.
2. 3D 기하학적 특징 전용 가속: cuRadiomics 와 달리 1 차 통계뿐만 아니라 메쉬 부피, 표면적, 최대 3D 지름 등 계산 비용이 가장 큰 3D 형태 특징을 GPU 에서 처리.
3. 자동 감지 및 폴백: GPU 환경 여부에 따라 자동으로 CPU/GPU 실행 경로를 선택하여 유연한 배포 지원.
4. 오픈소스 공개: BSD 라이선스로 GitHub 에서 공개되어 재현 가능한 연구를 지원.

4. 실험 결과 (Results)

• 테스트 환경:
  • 하드웨어: 현대적 AI 클러스터 (NVIDIA H100), 일반 데스크톱 (RTX 4070), 예산형 서버 (T4).
  • 데이터: Kidney Tumor Segmentation Challenge 19 (KITS19) 의 20 개 샘플 (50kB9MB, 정점 수 2,700236,588 개).
• 성능 향상:
  • 대규모 데이터: 정점이 23 만 개 이상인 대규모 3D 데이터의 경우, CPU(Intel Xeon) 대비 최대 2,000 배 이상의 속도 향상 (H100 기준).
  • 일반/예산 장비: RTX 4070 에서 약 50 배 이상, T4(예산형 GPU) 에서도 8~24 배의 속도 향상 달성.
  • 작은 데이터: 파일 읽기 및 전처리 시간이 지배적인 작은 파일의 경우 속도 향상 폭은 적었으나, 데이터 전송 오버헤드 없이 처리 가능.
• 시간 분해 분석:
  • CPU 기준: 지름 계산이 전체 시간의 95.7%~99.9% 차지.
  • GPU 가속 후: 지름 계산 시간이 극적으로 단축되어 전체 파이프라인 효율이 비약적으로 개선됨.

5. 의의 및 결론 (Significance)

• 대규모 연구 지원: 약 40,000 개의 흉부 CT 스캔을 다루는 'xLUNGS' 프로젝트와 같은 대규모 의료 AI 연구에서 특징 추출 시간을 획기적으로 단축하여 인프라 비용 절감 및 연구 기간 단축에 기여.
• HPC 와 의료 AI 의 연결: 고성능 컴퓨팅 (HPC) 기술을 실제 의료 데이터 분석에 적용 가능한 형태로 제공하여, 방사선학 기반 AI 파이프라인의 확장성 (Scalability) 문제를 해결.
• 미래 지향성: 분산 처리 및 멀티모달 의료 워크플로우로 확장 가능한 기반을 마련하였으며, 오픈소스 생태계를 통해 재현 가능한 연구를 촉진함.

요약하자면, PyRadiomics-cuda 는 의료 영상 분석의 핵심 병목 현상인 3D 형태 특징 추출을 GPU 가속으로 해결하면서도 기존 PyRadiomics 생태계와의 완전한 호환성을 유지한 획기적인 솔루션입니다.