Anal´yza sign´alu a obrazu v praxi II

(1)

Anal ´yza sign´alu a obrazu v praxi II

KI/ASO

RNDr. Zbyˇsek Posel, Ph.D.

Ust´ı nad Labem 2020 ´

(2)

Kurz: Analýza signálu a obrazu v praxi II Obor: Aplikovaná informatika

Kl´ıˇcov´a slova:

Anotace: Pˇredmˇet navazuje a rozˇsiˇruje znalosti úvodn´ıho pˇredmˇetu Analýza signálu a obrazu v praxi I s d˚urazem na klasifikaˇcn´ı algoritmy zaloˇzené na metodách uˇcen´ı bez uˇcitele (jako jsou K-means, DBSCAN a teselaˇcn´ı algoritmy) a s uˇcitelem, kde je pozornost zamˇeˇrena zejména na kon- voluˇcn´ı neuronové s´ıtˇe. Aplikace tˇechto metod je zamˇeˇrena do oblasti medic´ınských dat.

Jazyková korektura nebyla provedena, za jazykovou stránku odpov´ıdá autor.

Autor: RNDr. Zbyˇsek posel, Ph.D.

(3)

Obsah

Uvodn´ı slovo´ 4

1 Uvod´ 6

2 Klasifikace událost´ı ve fyziologickém signálu 9

3 Rozpozn´an´ı a klasifikace objekt ˚u-I 12

4 Rozpozn´an´ı a klasifikace objekt ˚u-II 15

5 Rozpozn´an´ı a klasifikace objekt ˚u-III 18

6 Zpracov´an´ı biologick ´ych dat 21

(4)

Uvodn´ı slovo ´

Opora k pˇredmˇetuAnalýza signálu a obrazu v praxi II je tematicky rozdˇelena do dvou ˇcást´ı.

V prvn´ı ˇcásti, která pˇredstavuje menˇsinu, jsou probrány jednotlivé pˇr´ıstupy pro klasifikaci fyziologického signálu, které tak rozˇsiˇruj´ı a doplˇnuj´ı znalosti o zpracován´ı signálu z´ıskané v pˇredmˇetuAnalýza signálu a obrazu v praxi I. Jedná se zejména o klasifikaci signálu pomoc´ı metod vyuˇz´ıvaj´ıc´ıch uˇcen´ı bez uˇcitele (shluková analýza, PCA aj.) a uˇcen´ı s uˇcitelem, kde je pozornost zamˇeˇrena jednak na rekurentn´ı s´ıtˇe (zejména LSTM) a na konvoluˇcn´ı s´ıtˇe.

Ve zbývaj´ıc´ı ˇcásti opory je pozornost upˇrena na klasifikaci obrazových (2D) dat. Nejprve jsou demonstrovány sp´ıˇse klasické metody zaloˇzené na triangulaci a teselaci, dále r˚uzné varianty shlukové analýzy vˇcetnˇe zohlednˇen´ı hustoty objekt˚u na ploˇse, aˇz po sloˇzitˇejˇs´ı pˇr´ıstupy, které se realizuj´ı pomoc´ı framework˚u a zejména na specializovaném hardwaru (reziduáln´ı a kon- voluˇcn´ı s´ıtˇe). Posledn´ı ˇcást opory je zamˇeˇrena na vyuˇzit´ı nabytých znalost´ı pˇri segmentaci bunˇek ze sn´ımk˚u poˇr´ızených r˚uznými mikroskopy (napˇr. fluorescenˇcn´ı nebo optický). Vˇsechny výˇse zm´ınˇené kapitoly jsou doplnˇeny o implementace v jazyku Python, které lze prostudovat po pˇrihláˇsen´ı do e-learningového systému MOODLE.

(5)

Pˇr´ıklad semin´arn´ı pr´ace

V pr˚ubˇehu kurzu bude zadána jedna seminárn´ı práce, na které budou moci student pracovat v rámci speciálnˇe vyˇclenˇených semináˇre a vyuˇz´ıvat lokáln´ı výpoˇcetn´ı zdroje (lokáln´ı HPC klastr), alternativnˇe také pˇr´ıstup na rozsáhlejˇs´ı výpoˇcetn´ı infrastrukturu. V rámci plnˇen´ı se- minárn´ıch prac´ı je moˇzné vytvoˇrit skupiny (nejvýˇse po 3 lidech), a odevzdat jednu práci za skupinu na konci semestru. Rozdˇelen´ım do skupin jsou procviˇcovány dovednosti zamˇeˇrené na práci v týmu, sd´ılen´ı znalost´ı, výstup˚u aj. Práce bude tematicky rozdˇelena do dvou ˇcást´ı, kdy v prvn´ı ˇcásti bude student vyuˇz´ıvat zejména vestavˇené nástroje jazyka Python a ˇcásteˇcnˇe i frameworky pro klasifikaci fyziologických signál˚u. Druhá ˇcást práce je zamˇeˇrena tematicky zamˇeˇrena na segmentaci sn´ımk˚u bunˇek poˇr´ızených mikroskopy a intenzivn´ı vyuˇzit´ı framework˚u a jejich moˇznosti vyuˇz´ıt pro výpoˇcet HPC infrastrukturu nebo napˇr´ıklad grafický akcelerátor.

Jednotlivá zadán´ı se budou odv´ıjet bud’ od prob´ıhaj´ıc´ı spolupráce s extern´ımi subjekty, typicky jde o Krajskou zdravotn´ı, a.s. nebo bude zadán´ı motivováno aktuáln´ımi trendy v oblasti zpracován´ı medic´ınských dat. Jako pˇr´ıklad lze uvést ˇcásti zadán´ı r˚uzných hackaton˚u nebo tzv

”challenges“.

(6)

1 Uvod ´

C´ILE KAPITOLY

C´ılem této úvodn´ı kapitoly je poskytnout pˇrehled klasifikaˇcn´ıch metod, které se vyuˇz´ıvaj´ı pˇri zpracován´ı signálu a obrazu. Metody jsou rozdˇeleny na základˇe principu uˇcen´ı na ty bez uˇcitele (shluková analýza, (H)DBSCAN, teselaˇcn´ı algoritmy) a s uˇcitelem (zejména rekurentn´ı a kon- voluˇcn´ı neuronové s´ıtˇe). V návaznosti na tyto algoritmy budou pˇredstaveny i souˇcasné výzvy v oblasti klasifikace dat a s t´ım spojené veˇrejnˇe dostupné databáze signál˚u a obrazových dat.

V t´eto kapitole se dozv´ıte

• jaké jsou souˇcasné trendy ve vyuˇzit´ı klasifikaˇcn´ıch metod pro zpracován´ı signálu a obrazu,

• jak´e jsou nejv´ıce pouˇz´ıvan´e metody a zda existuj´ı jejich implementace v jazyku Python,

• jaké jsou souˇcasné výzvy v oblasti zpracován´ı signálu a obrazu,

• kde lze z´ıskat veˇrejnˇe dostupná data pro testován´ı navrˇzených algoritm˚u.

KL´I ˇ COVA SLOVA

klasifikace dat, uˇcen´ı s uˇcitelem, uˇcen´ı bez uˇcitele, dataset Nápl ˇn látky je popsána v následuj´ıc´ıch zdroj´ıch

• Pˇrehled klasifikaˇcn´ıch metod pro analýzu signálu lze nalézt napˇr´ıklad zde [1] nebo zde [2].

• Pˇrehled klasifikaˇcn´ıch metod pro anal´yzu obrazu lze nal´ezt napˇr´ıklad zde [3], zde [4]

nebo zde [5].

Implementace jednoduchých klasifikaˇcn´ıch algoritm˚u na vybrané signály a obrazová data lze dále nalézt v systému MOODLE.

SHRNUT´I

Po prostudov´an´ı byste mˇeli m´ıt n´asleduj´ıc´ı dovednosti a znalosti.

• M´ıt pˇrehled o klasifikaˇcn´ıch metodách pro zpracován´ı signálu.

(7)

• M´ıt pˇrehled o klasifikaˇcn´ıch metod´ach pro zpracov´an´ı obrazu.

• M´ıt pˇrehled o souˇcasných výzvách v oblasti zpracován´ı signálu a obrazu.

• Umˇet z´ıskat datasety z veˇrejnˇe dostupn´ych datab´az´ı a naˇc´ıst je do prostˇred´ıPythonu.

• Aplikovat jednoduché klasifikaˇcn´ı metody (typicky shluková analýza) na z´ıskaná data.

OT ´ AZKY

1. Proˇc se klasifikaˇcn´ı metody vyuˇz´ıvaj´ı pˇri zpracov´an´ı sign´alu?

2. Proˇc se klasifikaˇcn´ı metody vyuˇz´ıvaj´ı pˇri zpracov´an´ı obrazu?

3. Jaké znáte veˇrejnˇe dostupné databáze signál˚u a obrazových dat?

4. Jaké znáte bal´ıky jazykaPythonu, které obsahuj´ı výˇse zm´ınˇené metody?

OT ´ AZKY K ZAMY ˇSLEN´I

1. Jak se vyuˇz´ıvaj´ı masivnˇe paraleln´ı systémy pˇri zpracován´ı signálu a obrazu?

UKOLY ´

1. Z veˇrejnˇe dostupné databáze stáhnˇete datasety obsahuj´ıc´ı signál nebo obrazová data do prostˇred´ıPythonu.

2. Na datasety aplikujte jednoduch´e klasifikaˇcn´ı algoritmy vyuˇz´ıvaj´ıc´ı uˇcen´ı bez uˇcitele.

3. Ukaˇzte vliv jednotliv´ych parametr˚u algoritm˚u na v´ysledek.

4. V pˇr´ıpadˇe vˇetˇs´ıho objemu dat zohlednˇete moˇznost paralelizace Vaˇs´ı ´ulohy.

(8)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(9)

2 Klasifikace událost´ı ve fyziologickém signálu

C´ILE KAPITOLY

C´ılem této kapitoly je rozˇs´ıˇrit znalosti z pˇredmˇetuAnalýza signálu a obrazu v praxi I týkaj´ıc´ı se zpracován´ı fyziologického signálu a to o klasifikaˇcn´ı metody bez uˇcitele a s uˇcitelem. V pˇr´ıpadˇe prvn´ı skupiny budou nejdˇr´ıve pˇredstaveny pˇr´ıstupy zaloˇzené na shlukové analýze (K- Means, c-Means, harmonická varianta metody), PCA metodˇe nebo na metodˇe zohledˇnuj´ıc´ı tzv.

matici rozd´ılnosti. V pˇr´ıpadˇe metod s uˇcitelem je pozornost zamˇeˇrena zejména na konvoluˇcn´ı a rekurentn´ı neuronové s´ıtˇe (zejména Long short-term memory s´ıtˇe).

V t´eto kapitole se dozv´ıte:

• jaké klasifikaˇcn´ı metody (s uˇcitelem i bez uˇcitele) se vyuˇz´ıvaj´ı pro zpracován´ı fyziolo- gického signálu,

• jak´e jsou principy klasifikaˇcn´ıch metod bez uˇcitele,

• jak´e jsou principy klasifikaˇcn´ıch metod s uˇcitelem,

• jak jsou výˇse zm´ınˇené metody implementovány v jazykuPython,

• jak se výˇse uvedené metody aplikuj´ı na reálné fyziologické signály.

KL´I ˇ COVA SLOVA

shlukov´a anal´yza, klastr, PCA, RNN, CNN, LSTM

Nápl ˇn látky je popsána v následuj´ıc´ıch zdroj´ıch

• Pˇrehled klasifikaˇcn´ıch metod bez uˇcitele vyuˇz´ıvaj´ıc´ıch i shlukovou anal´yzu lze nal´ezt napˇr´ıklad zde [6].

• Pˇrehled klasifikaˇcn´ıch metod vyuˇz´ıvaj´ıc´ıch zpˇetnou vazbu od uˇcitele lze nal´ezt napˇr´ıklad zde [7].

• Principy rekurentn´ıch a konvoluˇcn´ıch neuronov´ych s´ıt´ı lze nal´ezt napˇr´ıklad zde [8] a zde [9].

• Implementace neuronov´ych s´ıt´ı pomoc´ı farmeworku Keras lze nal´ezt napˇr´ıklad zde [10]

nebo pomoc´ı frameworku TensorFlow zde [11].

(10)

• Pˇr´ıklady aplikaci klasifikaˇcn´ıch metod na fyziologické signály lze nalézt zde [2] nebo zde [12].

Implementace klasifikaˇcn´ıch metod bez uˇcitele a vyuˇz´ıvaj´ıc´ı zpˇetnou vazbu od uˇcitele na zpracován´ı fyziologických signál˚u m˚uˇzete dále nalézt v systému MOODLE.

SHRNUT´I

Po prostudov´an´ı byste mˇeli m´ıt n´asleduj´ıc´ı dovednosti a znalosti:

• Umˇet popsat rozd´ıl mezi klasifikaˇcn´ımi metodami bez uˇcitele a s uˇcitelem.

• Umˇet popsat princip klasifikaˇcn´ıch metod bez uˇcitele a jejich vyuˇzit´ı pro zpracován´ı fyziologických signál˚u.

• Umˇet popsat princip klasifikaˇcn´ıch metod s uˇcitelem a jejich vyuˇzit´ı pro zpracován´ı fy- ziologických signál˚u.

• M´ıt povˇedom´ı o implementaci tˇechto metod v nˇekterém z framework˚u pro datovou analýzu zaloˇzeném na jazykuPython(Keras, TensorFlow).

OT ´ AZKY

1. Na jak´e typy ´uloh se vyuˇz´ıvaj´ı algoritmy bez uˇcitele a s uˇcitelem?

2. Jak´y je rozd´ıl mezi rekurentn´ı a konvoluˇcn´ı s´ıt´ı?

3. Jaké fyziologické signály se klasifikaˇcn´ımi algoritmy nejv´ıce zpracovávaj´ı a které události se nejv´ıce detekuj´ı?

4. Jak ˇcasovˇe nároˇcné je klasifikovat 30 minutový záznam EKG?

OT ´ AZKY K ZAMY ˇSLEN´I

1. Co je tensor processor unit (TPU) a jak je moˇzné tuto jednotku vyuˇz´ıt pro zpracován´ı signál˚u?

2. Jaké jsou databáze signál˚u, které lze vyuˇz´ıt pro ovˇeˇren´ı Vaˇseho algoritmu?

UKOLY ´

1. Z veˇrejnˇe dostupné databáze z´ıskejte fyziologický signál a postupnˇe aplikujte klasi- fikaˇcn´ı metody bez uˇcitele.

2. Pomoc´ı jednoho z framework˚u (Theano, TensorFlow nebo Keras) proved’te klasifikaci sign´alu pomoc´ı rekurentn´ı nebo konvoluˇcn´ı neuronov´e s´ıtˇe.

3. Algoritmy porovnejte a diskutujte.

(11)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(12)

3 Rozpozn´an´ı a klasifikace objekt ˚ u-I

C´ILE KAPITOLY

C´ılem této kapitoly je podat pˇrehled metod pro rozpoznán´ı a klasifikaci obrazových dat a to pomoc´ı technik zaloˇzených na 2D teselaci. Jde zejména o pˇredstaven´ı r˚uzných technik teselace, interpretace Voroného diagramu a klasifikace obrazových dat na základˇe vlastnost´ı Voroného bunˇek.

• jak´y je princip teselace a triangulace,

• jaké informace nám mohou tyto pˇr´ıstupy poskytnout pro klasifikaci systému,

• jak jsou tyto techniky implementov´any v jazykuPython,

• jaké charakteristiky lze z výsledného dláˇzdˇen´ı z´ıskat.

KL´I ˇ COVA SLOVA

Delaunayho triangulace, Voroného teselace, dláˇzdˇen´ı, hrana, Thiessenovy polygony, konvexn´ı obálka

• Pˇrehled teselaˇcn´ıch technik lze nal´ezt napˇr´ıklad zde [13].

• Implementace Delaunayovy triangulace a Voron´eho teselace v jazyku Python lze

nal´ezt napˇr´ıklad zde [14].

• Aplikace Delaunayovy triangulace a Voron´eho teselace lze nal´ezt na pˇr´ıklad zde [15].

SHRNUT´I

• Umˇet popsat princip triangulace a teselace a definovat polygon.

• M´ıt povˇedom´ı o konstrukci polygon˚u a o jejich vlastnostech.

• Umˇet prov´est triangulaci a teselaci pomoc´ı knihovny SciPy jazykaPython.

• Umˇet klasifikovat stav vybraných systém˚u pomoc´ı vlastnost´ı jednotlivých polygon˚u.

(13)

OT ´ AZKY

1. Jak´y je rozd´ıl mezi traingulac´ı a teselac´ı?

2. Jak´e vlastnosti nejˇcastˇeji sledujeme u zkonstruovan´ych polygon˚u?

3. Jak´e jsou nejˇcastˇejˇs´ı aplikace triangulace a teselace?

OT ´ AZKY K ZAMY ˇSLEN´I

1. V jak´ych pˇr´ıpadech by klasifikace syst´emu pomoc´ı traingulace nebo teselace nebyla

´uspˇeˇsn´a?

UKOLY ´

1. Nagenerujte soustavu bod˚u na plochu, které vykazuj´ı jednak pravidelné vzory nebo jsou zcela náhodné.

2. Proved’te traingulaci a teselaci a porovnejte v´ysledky a z´ıskan´e informace.

3. Vizualizujte vlastnosti polygon˚u.

(14)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(15)

4 Rozpozn´an´ı a klasifikace objekt ˚ u-II

C´ILE KAPITOLY

C´ılem této kapitoly je rozˇs´ıˇrit detekci a klasifikaci objekt˚u z pˇredchoz´ı ˇcásti o metody vyuˇz´ıvaj´ıc´ı uˇcen´ı bez uˇcitele, zejména o metody shlukové analýzy, nejbliˇzˇs´ı sousedy a metody zaloˇzené na hustotˇe bod˚u ((H)DBSCAN aj.). Dále budou v této kapitole pˇredstaveny metody klasifikuj´ıc´ı objekty pomoc´ı residuáln´ıch a konvoluˇcn´ıch neuronových s´ıt´ı.

• jaké jsou metody klasifikace jednoduchých objekt˚u pomoc´ı shlukové analýzy, nej- bliˇzˇs´ıch soused˚u a metod zaloˇzených na hustotˇe objekt˚u,

• jaké typy neuronových s´ıt´ı se pro tento typ úlohy pouˇz´ıvá,

• jak jsou výˇse zm´ınˇené metody implementovány v jazykuPython,

• jaké výstupy výˇse zm´ınˇených metod lze pro klasifikaci objekt˚u pouˇz´ıt.

KL´I ˇ COVA SLOVA

Shluková analýza, nejbliˇzˇs´ı sousedé, DBSCAN, HDBSCAN, residuáln´ı s´ıt, konvoluˇcn´ı s´ıt’

• Princip metody shlukové analýzy je popsán napˇr´ıklad zde [16].

• Princip metody shlukové analýzy zaloˇzené na hustotˇe objekt˚u je popsán napˇr´ıklad zde [17].

• Implementace vybraných metod shlukové analýzy v jazyku Python lze nalézt

napˇr´ıklad zde [18].

• Princip konvoluˇcn´ıch a residuáln´ıch neuronových s´ıt´ı lze nalézt zde [9] a zde [19].

• Implementace konvoluˇcn´ıch a residu´aln´ıch s´ıt´ı v jazykuPythonpomoc´ı frameworku Keras lze nal´ezt zde [10].

Implementace vybraných metod shlukové analýzy a konvoluˇcn´ıch nebo residuáln´ıch neuro- nových s´ıt´ı lze dále nalézt v systému MOODLE.

SHRNUT´I

(16)

• M´ıt pˇrehled o metodách klasifikace pomoc´ı shlukové analýzy, metody nejbliˇzˇs´ıch soused˚u nebo pomoc´ı shlukové analýzy zohledˇnuj´ıc´ı hustotu objekt˚u.

• M´ıt povˇedom´ı o principu fungov´an´ı konvoluˇcn´ıch a residu´aln´ıch s´ıt´ı.

• M´ıt pˇrehled o implementac´ıch v´yˇse zm´ınˇen´ych metod v prostˇred´ı jazykaPython.

• Umˇet implementovat výˇse zm´ınˇené s´ıtˇe pomoc´ı nˇekterého z dostupných framework˚u.

OT ´ AZKY

1. Vyjmenujte nˇekteré aplikace, kdy je pˇri shlukován´ı nutné zohlednit hustotu objekt˚u?

2. Dokáˇzete popsat jak spolu souvis´ı výstupy z klasifikaˇcn´ı metody zaloˇzené na nejbliˇzˇs´ıch sousedech a napˇr´ıklad Voroného diagram?

3. Jaké typy objekt˚u je výhodnˇejˇs´ı detekovat pomoc´ı shlukové analýzy a jaké pomoc´ı neu- ronových s´ıt´ı?

OT ´ AZKY K ZAMY ˇSLEN´I

1. Jak bude detekci objekt˚u ovlivˇnovat kvalita sn´ımku?

2. Jak´e metody zn´ate pro vylepˇsen´ı kvality sn´ımku pˇred samotnou detekc´ı a klasifikac´ı?

UKOLY ´

1. Libovolný sn´ımek s objekty (náhodnˇe nagenerované nebo napˇr. sn´ımky bunˇek) upravte pomoc´ı prahován´ı a binarizace do formy sn´ımku ˇcerná a b´ılá.

2. Pomoc´ı shlukové analýzy detekujte jednotlivé objekty. Diskutujte úspˇeˇsnost detekce v závislosti na velikosti a ˇcetnosti objekt˚u na sn´ımku.

3. Pomoc´ı konvoluˇcn´ı s´ıtˇe proved’te detekci objekt˚u na stejn´ych sn´ımc´ıch a v´ysledky porovnejte.

(17)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(18)

5 Rozpozn´an´ı a klasifikace objekt ˚ u-III

C´ILE KAPITOLY

C´ılem této kapitoly je poskytnout pˇrehled framework˚u pro detekci a klasifikaci objekt˚u a jejich napojen´ı na vyuˇzit´ı výpoˇcetn´ıch prostˇredk˚u vˇetˇs´ıch datových center. Pˇrehled framework˚u bude zúˇzen na ty nejv´ıce pouˇz´ıvané a typicky jde o frameworky Caffe, TensorFlow nebo Theano, které poskytuj´ı moˇznost ˇskálovat výpoˇcet v závislosti na mnoˇzstv´ı dostupných výpoˇcetn´ıch prostˇredk˚u.

• jak se tvoˇr´ı model pomoc´ı frameworku,

• jaké metody nebo s´ıtˇe jsou v r˚uzných frameworc´ıch jiˇz uloˇzeny nebo pˇredtrénovány, pˇr´ıpadnˇe, jak lze natrénovanou s´ıt’ uloˇzit,

• jak lze alokovat výpoˇcetn´ı prostˇredky a provést pˇrepracován´ı dat,

• jak se jednotlivé úlohy ˇskáluj´ı v závislosti na mnoˇzstv´ı dostupných prostˇredk˚u,

• jak takov´yto v´ypoˇcet kontrolovat na HPC klastru.

KL´I ˇ COVA SLOVA

framework, Theano, Caffe, TensorFlow, Amazon AWS, HPC, NVIDIA, TensorRT

Nápl ˇn látky této kapitoly je popsána v následuj´ıc´ıch zdroj´ıch.

• Popis jednotlivých framework˚u a alokace výpoˇcetn´ıch zdroj˚u lze nalézt napˇr´ıklad zde [10], zde [11] nebo zde [20].

• Popis implementace Caffe do platformy NVIDIA lze nal´ezt zde [21].

• Alokace výpoˇcetn´ıch zdroj˚u v rámci sdruˇzen´ı Metacentrum lze nalézt zde [22]. Návod na z´ıskán´ı pˇr´ıstupu a výpoˇcetn´ıho ˇcasu na lokáln´ım klastru lze z´ıskat aˇz na hodinˇe.

• Návod, jak z´ıskat ˇcas na jiných svˇetových výpoˇcetn´ıch centrech lze nalézt napˇr´ıklad zde [23].

Pˇr´ıklady spouˇstˇec´ıch skript˚u nutných pro proveden´ı úlohy na lokáln´ım klastru a pˇr´ıklady vyuˇzit´ı framework˚u pro klasifikaci objekt˚u v datech vˇetˇs´ıho objemu lze dále nalézt v systému MOODLE.

(19)

SHRNUT´I

• Umˇet pˇripravit vybraný framework pro vyuˇzit´ı r˚uzných výpoˇcetn´ıch prostˇredk˚u, vˇcetnˇe grafických akcelerátor˚u.

• Umˇet pracovat s vˇetˇs´ımi modely v rámci HPC infrastruktury nebo v rámci cloudového ˇreˇsen´ı.

OT ´ AZKY

1. Co je nutné udˇelat, aby bylo moˇzné vyuˇz´ıt grafický akcelerátor pro ˇreˇsen´ı Vaˇs´ı úlohy?

2. Jaký je rozd´ıl mezi frameworky vyuˇz´ıvaj´ıc´ımi cloudové ˇreˇsen´ı a ˇcistˇe lokáln´ı HPC ˇreˇsen´ı?

3. Jak prob´ıhá pˇriˇrazen´ı prostˇredk˚u na HPC klastru a jaké zásady je nutné dodrˇzovat?

OT ´ AZKY K ZAMY ˇSLEN´I

1. Jaké úlohy se hod´ı pro ˇreˇsen´ı na HPC nebo cloudové infrastruktuˇre a které naopak ne?

UKOLY ´

1. Vámi vybraný framework pˇripravte pro vyuˇzit´ı grafického akcelerátoru a optimalizujte práci s daty.

2. Vyberte si ´ulohu s variabiln´ım mnoˇzstv´ım dat (napˇr. poˇcet sn´ımk˚u).

3. Úlohu zaˇrad’te do frontového systému na HPC klastru a proved’te výpoˇcet.

4. Proved’te ˇskálován´ı Vaˇs´ı úlohy v závislosti na mnoˇzstv´ı pˇridˇelených prostˇredk˚u a na mnoˇzstv´ı dat, která zpracováváte.

(20)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(21)

6 Zpracov´an´ı biologick ´ych dat

C´ILE KAPITOLY

C´ılem této kapitoly je poskytnout pˇrehled metod pro klasifikaci biologických dat, napˇr´ıklad sn´ımk˚u bunˇek v r˚uzných spektrech vˇcetnˇe viditelného, a to vˇcetnˇe nutného pˇredzpracován´ı dat. Metody této ˇcásti budou zamˇeˇreny nejprve na samotnou segmentaci dat a poté na jejich klasifikaci.

• jak lze poˇc´ıtaˇcovˇe zpracovávat sn´ımky bunˇek v r˚uzných spektrech, vˇcetnˇe viditelného,

• jak prob´ıhá následná klasifikace bunˇek a z´ıskáván´ı dalˇs´ıch informac´ı ze sn´ımk˚u.

KL´I ˇ COVA SLOVA

segmenatce bunˇek, watershed algoritmus, konvoluˇcn´ı s´ıtˇe, tvarov´e faktory, Mahotas

• Princip segmentace bunˇek pomoc´ı Watershed algoritmu lze nal´ezt napˇr´ıklad zde [24]

nebo zde [25].

• Porovn´an´ı metod pro klasifikaci krevn´ıch bunˇek lze nal´ezt napˇr´ıklad zde [5] nebo zde [26].

• Popis vyuˇzit´ı konvoluˇcn´ıch s´ıt´ı pro klasifikaci shluk˚u bunˇek lze nal´ezt napˇr´ıklad zde [27].

• Zdroj sn´ımk˚u bunˇek lze nal´ezt napˇr´ıklad zde [28].

• Popis frameworku CLARA od firmy NVIDIA pro segmentaci bunˇek lze nal´ezt napˇr´ıklad zde [29].

• Implementace n´astroj˚u pro segmentaci bunˇek v jazyku Python lze nal´ezt napˇr´ıklad zde [30] nebo zde [4].

• Popis frameworku CLARA od firmy NVIDIA pro segmentaci bunˇek lze nal´ezt napˇr´ıklad zde [29].

(22)

Pˇr´ıklady segmentace bunˇek z fluorescenˇcn´ıho nebo optického mikroskopu lze dále nalézt v systému MOODLE.

SHRNUT´I

• M´ıt pˇrehled o metodách segmentace a klasifikace biologických dat, zejména bunˇek.

• Zn´at zdroje dat (sn´ımk˚u) pro testov´an´ı metod segmentace.

• Vyuˇz´ıt pro segmentaci jeden z moˇzných framework˚u, které byly prob´ırány.

OT ´ AZKY

1. Jak´e artefakty se vyskytuj´ı ve sn´ımc´ıch bunˇek v z´avislosti na spektru, a jak se odstraˇnuj´ı?

2. Jak´e metody segmentace se vyuˇz´ıvaj´ı a na ˇcem jsou zaloˇzen´e?

3. Jaké jsou dostupné zdroje sn´ımk˚u, které lze napˇr´ıklad pro testován´ı nebo uˇcen´ı algoritm˚u vyuˇz´ıt?

OT ´ AZKY K ZAMY ˇSLEN´I

1. Jak´e artefakty lze jen stˇeˇz´ı odstranit a jak by nemˇely vypadat sn´ımky urˇcen´e pro segmentaci?

UKOLY ´

1. Z veˇrejnˇe dostupného repozitáˇre stáhnˇete sn´ımky bunˇek v r˚uzných spektrech (napˇr´ıklad fluorescenˇcn´ı data nebo data z optického mikroskopu).

2. Postupnˇe aplikujte vybrané metody segmentace tak, jak jsou popsány v uvedených zdroj´ıch a porovnejte jejich spolehlivost a nároˇcnost implementace.

(23)

M´ISTO PRO VA ˇSE POZN ´ AMKY

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(24)

Literatura

[1] RANGAYYAN, Rangaraj M.Biomedical signal analysis. IEEE Press, 2015. ISBN 978-0-470- 0-91139-6.

[2] ed. CERUTTI, Sergio; MARCHESI, Carlo.Advanced Methods of Biomedical Signal Proces- sing. IEEE Press, 2011. ISBN 978-0-470-42214-4.

[3] scikitimage-image processing in python [online]. The scikit-image development team:

[5] HEDGE, Roopa B. et al. Comparison of traditional image processing and deep learning approaches for classification of whiteblood cells in peripheral blood smear images.Bio- cybernetics and Biomedical Engineering. 2019,39(2), 382-392. ISSN 0208-5216.

[6] ed. CELEBI, Emre M.; Aydin, Kemal. Unsupervised Learning Algorithms. Springer, 2016.

ISBN 978-3-319-24209-5.

[7] LITTLE, Max A. Machine Learning for Signal Processing; Data Science, Algorithms and Computational Statistics. Oxford University Press, 2019. ISBN 978-0-19-871493-4.

[8] ed. ROGERSON, Jeremy.Theory, Concepts and Methods of Recurrent Neural Networks and Soft Computing. ML Books International, 2019. ISBN 978-1632404930.

[9] Zemouri, Ryad et al. Deep Learning in the Biomedical Applications: Recent and Future Status.Applied Sciences. 2019,9(8), 1526-1566. ISSN 2076-3417.

[12] GACEK, Adam; PEDRYCZ, Witold. ECG Signal Processing, Classification and Interpre-

tation. Springer, 2012. ISBN 978-0-85729-867-6.

[13] OKABE, Atsuyuki; BOOTS, Barry; SUGIHARA, Kokichi; CHIU, Sung Nok.Spatial tesse-

lations: Concepts and Applications of Voronoi Diagrams. John Wiley and Sons, 2000. ISBN 0-471-98635-6.

https://www.scipy.org/

[15] AURENHAMMER, Franz; KLEIN, Rolf; LEE, Der-Tsai. Voronoi Diagrams and Delaunay

Triangulations. World Scientific, 2013. ISBN 978-9814447638.

(25)

[16] MELOUN, Milan; MILITKÝ, Jiˇr´ı. Kompendium statistického zpracován´ı dat. Academia, 2006. ISBN 80-200-1396-2.

[17] ESTER, Martin et al. A density-based algorithm for discovering clusters in large spatial databases with noise.KDD’96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. 1996, 226-231.

[19] HE, Kaiming et al. Deep Residual Learning for Image Recognition.2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016, DOI: 10.1109/CVPR.2016.90.

https://caffe.berkeleyvision.org/.

[22] MetaCentrum VO - virtu´aln´ı organizace pro celou akademickou obec [online]. CESNET

https://aws.amazon.com/.

[24] KORNILOV, Anton S. et al. An Overview of Watershed Algorithm Implementations in Open Source Libraries.Journal of Imaging. 2018,4(10), 123-138. ISSN 2313-433X.

[25] BARNES, Richard et al. Priority-Flood: An Optimal Depression-Filling and Watershed- LabelingAlgorithm for Digital Elevation Models.Computers & Geosciences. 2014,62, 117- 127. ISSN 0098-3004.

[26] VICAR et al. Cell segmentation methods forlabel-free contrast microscopy: review and- comprehensive comparison.BMC Bioinformatics. 2019,20(360), 1-25, ISSN 1471-2105.

[27] OEI, Ronald W. et al. Convolutional neural network for cell classification using microscope images of intracellular actin networks. PLOS ONE. 2019, 14 (3), 1-13, ISSN 1932-6203.

19.03.2020], Dostupn´e z: https://www.proteinatlas.org/.

19.03.2020], Dostupn´e z: https://mahotas.readthedocs.io/en/latest/