Hatékony képelőfeldolgozó modul fejlesztése AI rendszerekhez

Abstract

A szakdolgozat egy digitális Pap‑keneteken működő, mesterséges intelligencia alapú sejtszegmentáló rendszer előfeldolgozó lépéseinek teljesítményoptimalizálásával foglalkozik. A munka középpontjában a whole‑slide imaging (WSI) technológiával előállított, gigapixeles felbontású MRXS képek hatékony feldolgozását végző Smear Slicer és Image Processor modulok újratervezése áll. A korábbi, Python‑alapú implementációk teljesítmény-, memória‑ és párhuzamosítási korlátai miatt a modulok C++ nyelven, libvips, OpenCV és Intel oneAPI TBB felhasználásával kerültek újraimplementálásra. Az optimalizáció során kiemelt szerepet kapott a determinisztikus memóriakezelés, a párhuzamos végrehajtás és az I/O terhelés csökkentése. A kísérleti eredmények alapján a Smear Slicer modul körülbelül négyszeres, míg az Image Processor modul fejlesztői és szerverkörnyezetben 44–84‑szeres gyorsulást ért el az eredeti Python‑os megoldáshoz képest. A mérések igazolják, hogy a kialakított C++/oneTBB alapú megoldások hatékonyan skálázódnak a rendelkezésre álló CPU‑magok számával.