通用GPU编程助力白血病细胞检测与家用机器人智能数据分析

### 通用GPU编程助力白血病细胞检测与家用机器人智能数据分析 在医学和机器人技术领域，两项重要的研究成果正展现出巨大的潜力。一是利用通用GPU编程提升白血病血涂片样本中原始细胞的检测与分类性能；二是家用自主移动机器人成为智能数据分析（IDA）的新平台。 #### 通用GPU编程在白血病细胞检测中的应用 在白血病细胞检测中，传统的CPU工作流程在处理大量数据时速度较慢，而GPU编程则展现出显著的优势。 ##### 处理速度提升 实验中，EP算法的种群大小设置为100，运行50代。GPU工作流程使用更大的种群规模以充分利用每个核心。测试计算机采用NVIDIA GeForce GT 330M GPU，拥有48个CUDA核心和32的线程束大小，总可用执行线程数为1536。若使用CPU工作流程处理如此大规模的种群，预计需要约10天，而GPU则能大幅提升性能。 | 工作流程 | 总处理时间（秒） | 加速因子 | | --- | --- | --- | | CPU 100 | 56709 | - | | GPU 100 | 4364 | 12.99x | | GPU 1536 | 6956 | - | 从表格数据可以明显看出，GPU在处理速度上相较于CPU有了极大的提升，加速因子达到了近13倍。 在图像的各个处理阶段，GPU同样表现出色。例如在灰度化、Otsu阈值处理、细胞自动机（CA）、半径滤波和椭圆拟合等操作中： | 工作流程阶段 | CPU 100（秒） | GPU 100（秒） | 加速因子 | GPU 1536（秒） | | --- | --- | --- | --- | --- | | 灰度化 | 0.02 | 0.01 | 2.97x | 0.01 | | Otsu | 0.01 | 0.00 | 2.08x | 0.00 | | CA | 0.24 | 0.04 | 5.42x | 0.04 | | 半径滤波 | 0.01 | 0.01 | 1.16x | 0.01 | | 椭圆拟合 | 175.84 | 13.05 | 13.48x | 21.54 | 可以看到，在大部分处理阶段，GPU都能显著缩短处理时间，尤其是椭圆拟合阶段，加速效果最为明显，平均每幅图像可节省162.79秒。 ##### 原始细胞检测 在批量处理图像后，对椭圆进行检查，发现系统性能存在一定的可变性。有时会出现假阳性结果，例如将一些红细胞群误分割为原始细胞。这通常是因为红细胞簇与较大的白细胞大小相似，且半径滤波步骤未能有效消除这些干扰。不过，数据集中像白细胞被红细胞团包围这样的复杂情况较为罕见，但一旦出现，细胞自动机（CA）和椭圆拟合往往会失败，需要进一步研究解决此类问题。 ##### 分类准确性 研究采用了两种不同的分类方法，均利用WEKA进行实现。 第一种方法对数据集中存在的四种急性髓系白血病（AML）亚型分别进行分类。不同算法的分类准确率存在较大差异： | 分类算法 | CPU (100) | GPU (100) | GPU (1578) | | --- | --- | --- | --- | | 朴素贝叶斯 | 47.75% | 58.06% | 57.72% | | 多层感知器 | 88.69% | 86.32% | 87.92% | | 决策树 | 84.69% | 83.14% | 82.94% | | 随机树 | 72.09% | 72.09% | 74.01% | | K-Star | 81.54% | 80.03% | 79.28% | 其中，多层感知器在10折交叉验证下取得了最佳结果。 第二种方法将图像分为M3 AML类或其他AML类型。这种分类方式的准确率更高： | 分类算法 | CPU (100) | GPU (100)