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

O PyRadiomics-cuda é uma extensão acelerada por GPU da biblioteca PyRadiomics que reduz drasticamente o tempo de extração de características tridimensionais de imagens médicas, mantendo a compatibilidade total com a API original para integração transparente em fluxos de trabalho de IA.

O essencial

Imagine que você tem uma biblioteca gigante de exames de imagem médicos (como tomografias e ressonâncias) e precisa analisar cada um deles para encontrar padrões que ajudem a diagnosticar doenças. Para fazer isso, os cientistas usam um "robô" de software chamado PyRadiomics.

Esse robô é ótimo, mas ele tem um problema: ele é como um marceneiro trabalhando sozinho com uma marreta de mão. Quando ele precisa medir formas complexas em 3D dentro de uma imagem (como calcular o volume exato de um tumor ou a distância entre dois pontos mais distantes dele), ele demora uma eternidade. Em alguns casos, ele gasta 99% do tempo apenas tentando medir esses diâmetros, travando todo o processo.

Os autores deste artigo, da Universidade de Tecnologia de Varsóvia, criaram uma solução genial chamada PyRadiomics-cuda.

A Analogia: De um Cavalo para um Trem de Alta Velocidade

Pense na diferença entre o PyRadiomics original e o novo PyRadiomics-cuda assim:

• O Original (CPU): É como tentar carregar 100 caixas pesadas de um caminhão para um armazém usando apenas um único funcionário. Ele vai, pega uma caixa, volta, coloca, pega outra... É lento e cansativo. Se o caminhão for gigante (imagens médicas de alta resolução), o funcionário nunca termina o trabalho.
• O Novo (PyRadiomics-cuda): É como contratar um exército de 10.000 robôs (a GPU, ou placa de vídeo) para fazer o mesmo trabalho. Todos os robôs pegam uma caixa ao mesmo tempo e correm para o armazém. O que levava horas, agora leva segundos.

O Que Eles Fizeram de Diferente?

A grande sacada deste trabalho não foi apenas usar os robôs (a GPU), mas fazer isso sem quebrar nada.

1. Compatibilidade Total: Muitas vezes, quando você troca uma ferramenta antiga por uma nova e rápida, você precisa reescrever todo o manual de instruções e mudar como as pessoas trabalham. O PyRadiomics-cuda foi feito para ser "invisível". Se você já usa o PyRadiomics, basta instalar essa versão nova. O código do seu programa continua exatamente o mesmo. O software "sente" se há um trem de alta velocidade (GPU) disponível; se houver, ele usa o trem. Se não houver, ele volta a usar o funcionário (CPU) e continua trabalhando, só que mais devagar.
2. Foco no Pesado: Eles perceberam que o "peso" do trabalho estava na medição de formas 3D (como calcular o volume e o diâmetro máximo de um tumor). Eles otimizaram especificamente essa parte, transformando o cálculo de "um por um" em "todos de uma vez".

Os Resultados na Prática

Eles testaram isso em três cenários, como se fossem três tipos de oficinas:

1. Uma oficina de ponta (Supercomputador H100): Onde o trem de alta velocidade é tão rápido que o trabalho é feito 2.000 vezes mais rápido do que no método antigo.
2. Uma oficina comum (Computador de mesa com placa RTX 4070): Onde o trabalho fica 50 vezes mais rápido.
3. Uma oficina com orçamento limitado (Placa de vídeo antiga T4): Mesmo aqui, o trabalho ficou 8 a 24 vezes mais rápido.

Isso significa que, em vez de esperar dias para analisar milhares de exames de pacientes, os médicos e pesquisadores podem fazer isso em horas ou minutos.

Por Que Isso é Importante?

Imagine que você precisa treinar uma Inteligência Artificial para detectar câncer de pulmão. Você tem 40.000 exames de pulmão para analisar.

• Sem a nova ferramenta: Você precisaria de meses de tempo de computador, gastando uma fortuna em energia e infraestrutura.
• Com o PyRadiomics-cuda: Você faz isso em uma fração do tempo, economizando dinheiro e, o mais importante, permitindo que os médicos tenham respostas mais rápidas para salvar vidas.

Resumo final:
Os autores pegaram uma ferramenta médica lenta, deram a ela "superpoderes" de processamento paralelo (usando placas de vídeo), mas garantiram que ela continuasse fácil de usar para qualquer pessoa que já conhecesse a ferramenta antiga. É como transformar um carro popular em um foguete, sem precisar trocar a chave de ignição.

Resumo técnico

1. O Problema

A radiômica extrai características numéricas de imagens médicas para construir modelos preditivos (diagnóstico de câncer, resposta ao tratamento, etc.). A biblioteca PyRadiomics é o padrão aberto amplamente utilizado para essa tarefa. No entanto, a extração de características de forma 3D (como volume de malha, área de superfície e diâmetros máximos) torna-se um gargalo computacional crítico em grandes conjuntos de dados volumétricos.

• Complexidade Computacional: O cálculo de diâmetros 3D e a geração de malhas (Marching Cubes) têm complexidade que escala mal com o tamanho da imagem (ex: $O(n^3)$ ou $O(m^2)$).
• Gargalo de Tempo: Em regiões de interesse (ROI) grandes, o PyRadiomics original pode gastar até 99,9% do tempo total apenas no cálculo de diâmetros.
• Limitações de Soluções Anteriores: Tentativas anteriores de aceleração via GPU (como forks experimentais ou a biblioteca cuRadiomics) falharam em oferecer compatibilidade total com a API do PyRadiomics, exigiam reestruturação de pipelines, não suportavam características geométricas completas ou estavam obsoletas e incompatíveis com hardware moderno.

2. Metodologia

Os autores desenvolveram o PyRadiomics-cuda, uma extensão que acelera a classe de características "Shape" (Forma) do PyRadiomics utilizando a arquitetura CUDA da NVIDIA, mantendo a compatibilidade total com a API original.

Arquitetura e Design

• Compatibilidade Transparente: O sistema utiliza um mecanismo de injeção no momento da compilação (setuptools). Se um dispositivo CUDA for detectado, o código chama kernels otimizados; caso contrário, faz fallback automático para a implementação original em CPU. Isso permite que usuários existentes usem a aceleração sem alterar uma linha de código.
• Foco na Otimização: O trabalho concentra-se exclusivamente nas etapas mais custosas:
  1. Geração de Malha (Marching Cubes): Implementação paralela onde cada voxel é processado por um thread. Se a isosuperfície passar pelo voxel, o thread calcula o triângulo e atualiza volume/área globalmente, exigindo sincronização eficiente.
  2. Cálculo de Diâmetro: Algoritmo paralelo que divide o cálculo de distâncias entre pares de vértices. Cada thread calcula um subconjunto de distâncias e armazena o máximo local, seguido por uma operação de redução (reduction) para encontrar o diâmetro global máximo.

Técnicas de Otimização (Pesquisa de Micro-benchmarks)

Os autores testaram várias estratégias de otimização para diferentes arquiteturas de GPU (H100, RTX 4070, T4):

1. Balanceamento de Carga: Distribuição básica de threads.
2. Redução Baseada em Blocos: Uso de operações atômicas por bloco.
3. Memória Compartilhada Otimizada: Uso de estruturas 2D na memória compartilhada (eficaz apenas em GPUs com muita memória compartilhada).
4. Acumuladores Locais de Thread: Redução do número de operações atômicas globais (mais eficaz em GPUs modernas como RTX 4070).
5. Padrões de Acesso à Memória: Simplificação para arrays 1D (não trouxe ganhos significativos).

3. Principais Contribuições

• Aceleração Transparente: Primeira solução que acelera características geométricas 3D mantendo a API 100% compatível com o PyRadiomics original.
• Suporte a Hardware Diversificado: Funciona em clusters HPC modernos (H100), desktops de consumo (RTX 4070) e hardware orçamentário/antigo (T4), com detecção automática e fallback para CPU.
• Otimização Específica por Arquitetura: Identificação de que a melhor estratégia de paralelismo (atômicos vs. acumuladores locais) varia dependendo da geração da GPU.
• Código Aberto: Disponibilizado sob licença BSD no GitHub, integrando-se ao ecossistema Python/C/CUDA.

4. Resultados

Os testes foram realizados no conjunto de dados KITS19 (20 amostras, variando de 50kB a 9MB, com até 236.588 vértices) em três configurações de hardware:

1. Cluster Moderno (NVIDIA H100 + AMD EPYC):
   • Redução de tempo de processamento de ~121 segundos (CPU) para ~59 milissegundos (GPU) em grandes volumes.
   • Speedup (aceleração) de mais de 2000x em comparação ao processador Intel Xeon antigo.
2. Desktop (NVIDIA RTX 4070):
   • Aceleração de 18x a 24x em comparação ao CPU.
3. Hardware Orçamentário (NVIDIA T4):
   • Aceleração de 8x a 24x.

Análise de Desempenho:

• Para arquivos grandes (>200k vértices), o PyRadiomics-cuda reduziu o tempo total de extração de recursos em 8x em máquinas desktop.
• O tempo de transferência de dados (CPU -> GPU) foi compensado pela velocidade de processamento, não degradando o desempenho.
• Em arquivos muito pequenos, o tempo de leitura do disco domina, limitando o ganho de aceleração.
• A estratégia de "Acumuladores Locais de Thread" mostrou-se a mais eficiente para a RTX 4070, enquanto a "Redução Baseada em Blocos" foi melhor para a T4 mais antiga.

5. Significância

O PyRadiomics-cuda resolve um dos principais obstáculos para a aplicação de radiômica em larga escala em pipelines de IA: o tempo de processamento.

• Viabilidade de Grandes Estudos: Permite processar milhares de exames (como no projeto xLUNGS com 40.000 CTs de pulmão) em tempo viável, economizando custos de infraestrutura de HPC.
• Integração Sem Atrito: Ao não exigir mudanças no código dos pesquisadores, facilita a adoção imediata em fluxos de trabalho clínicos e acadêmicos existentes.
• Escalabilidade: Suporta desde estações de trabalho locais até clusters de supercomputação, democratizando o acesso a análises radiômicas de alta performance.

Em resumo, o trabalho preenche a lacuna entre a necessidade de extração rápida de características geométricas 3D e a disponibilidade de hardware acelerado, oferecendo uma solução robusta, compatível e altamente eficiente.