論文の概要: EfficientBioAI: Making Bioimaging AI Models Efficient in Energy, Latency
and Representation
- arxiv url: http://arxiv.org/abs/2306.06152v1
- Date: Fri, 9 Jun 2023 13:51:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 20:50:33.962964
- Title: EfficientBioAI: Making Bioimaging AI Models Efficient in Energy, Latency
and Representation
- Title(参考訳): EfficientBioAI:バイオイメージングAIモデルをエネルギー、レイテンシ、表現に効率良くする
- Authors: Yu Zhou, Justin Sonneck, Sweta Banerjee, Stefanie D\"orr, Anika
Gr\"uneboom, Kristina Lorenz, Jianxu Chen
- Abstract要約: 本研究では,CPUとGPUの両方でエネルギーコストと推論時間を大幅に削減して,バイオイメージングAIモデルを圧縮して動作させることのできる,プラグアンドプレイのツールボックスであるEfficientBioAIを提案する。
4種類の生体画像解析アプリケーションから, 推定時の2~5倍のスピードアップ, 30~80$%の省エネ効果が得られた。
われわれのツールボックスは、資源に制約のあるバイオイメージングAIを促進し、エコフレンドリーな方法で大規模AIベースの定量的生物学的研究を促進することを願っている。
- 参考スコア(独自算出の注目度): 2.4263186995831556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has been widely used in bioimage image analysis
nowadays, but the efficiency of AI models, like the energy consumption and
latency is not ignorable due to the growing model size and complexity, as well
as the fast-growing analysis needs in modern biomedical studies. Like we can
compress large images for efficient storage and sharing, we can also compress
the AI models for efficient applications and deployment. In this work, we
present EfficientBioAI, a plug-and-play toolbox that can compress given
bioimaging AI models for them to run with significantly reduced energy cost and
inference time on both CPU and GPU, without compromise on accuracy. In some
cases, the prediction accuracy could even increase after compression, since the
compression procedure could remove redundant information in the model
representation and therefore reduce over-fitting. From four different bioimage
analysis applications, we observed around 2-5 times speed-up during inference
and 30-80$\%$ saving in energy. Cutting the runtime of large scale bioimage
analysis from days to hours or getting a two-minutes bioimaging AI model
inference done in near real-time will open new doors for method development and
biomedical discoveries. We hope our toolbox will facilitate
resource-constrained bioimaging AI and accelerate large-scale AI-based
quantitative biological studies in an eco-friendly way, as well as stimulate
further research on the efficiency of bioimaging AI.
- Abstract(参考訳): 人工知能(AI)は近年、バイオ画像解析に広く利用されているが、エネルギー消費やレイテンシーといったAIモデルの効率は、モデルのサイズと複雑さの増大や、現代のバイオメディカル研究における急速な分析の必要性によって無視できない。
大規模な画像を圧縮して効率的なストレージと共有ができるのと同じように、AIモデルを圧縮して効率的なアプリケーションやデプロイメントもできます。
本研究では,バイオイメージングAIモデルを圧縮し,CPUおよびGPU上でのエネルギーコストと推論時間を大幅に削減し,精度を損なうことなく動作させることができる,プラグアンドプレイのツールボックスであるEfficientBioAIを提案する。
圧縮手順はモデル表現の冗長な情報を取り除き、過剰フィッティングを減らすことができるため、圧縮後に予測精度が向上する場合もある。
4種類の生体画像解析アプリケーションから, 推定時の2~5倍のスピードアップ, 30~80$\%の省エネ効果が得られた。
大規模なバイオイメージ分析のランタイムを数日から数時間に切るか、あるいは2分間のバイオイメージングAIモデル推論をほぼリアルタイムで行うことで、メソッド開発とバイオメディカル発見のための新たな扉が開く。
われわれのツールボックスは、資源に制約のあるバイオイメージングAIを促進し、大規模なAIベースの定量的生物学的研究をエコフレンドリーな方法で加速し、バイオイメージングAIの効率性に関するさらなる研究を促進することを願っている。
関連論文リスト
- The Reality of AI and Biorisk [24.945718952309157]
AIモデルやシステムがバイオリスクを増大させるための健全な理論的脅威モデルと、その脅威モデルをテストする堅牢な方法の両方を持つことが必要である。
本稿では,2つのAIおよびバイオリスク脅威モデルに関する既存の研究について分析する。
論文 参考訳(メタデータ) (2024-12-02T20:14:46Z) - Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。
VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文 参考訳(メタデータ) (2024-10-02T02:20:42Z) - Structured Model Pruning for Efficient Inference in Computational Pathology [2.9687381456164004]
バイオメディカルイメージングにおいて広く使われているU-Netスタイルのアーキテクチャを解析する手法を開発した。
我々は,プルーニングが性能を低下させることなく,少なくとも70%圧縮できることを実証的に実証した。
論文 参考訳(メタデータ) (2024-04-12T22:05:01Z) - Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。
我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
論文 参考訳(メタデータ) (2024-03-26T14:21:49Z) - Anatomy and Physiology of Artificial Intelligence in PET Imaging [0.0]
この記事では、PETイメージングで最も遭遇しそうな側面に特に焦点をあてて、現代のAIの中核となる原則を解説したガイドを提供する。
本稿では、畳み込みニューラルネットワーク、アルゴリズムトレーニング、セグメンテーションと画像合成によく使われるU-Netの構成要素について説明する。
論文 参考訳(メタデータ) (2023-11-30T15:12:57Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳(メタデータ) (2023-11-01T11:16:41Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳(メタデータ) (2023-10-16T18:59:31Z) - LLaVA-Med: Training a Large Language-and-Vision Assistant for
Biomedicine in One Day [85.19963303642427]
本稿では,バイオメディカルイメージのオープンな研究課題に答えられる視覚言語対話アシスタントを訓練するための費用効率のよいアプローチを提案する。
モデルはまず、フィギュア・キャプションのペアを使ってバイオメディカル・ボキャブラリをアライメントし、その後、オープンエンドの会話意味論を習得する。
これにより、バイオメディジンのための大規模言語と視覚アシスタントを15時間以内で(8つのA100で)訓練することができる。
論文 参考訳(メタデータ) (2023-06-01T16:50:07Z) - BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。
本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文 参考訳(メタデータ) (2023-05-26T17:14:43Z) - SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T17:03:04Z) - Explainable AI (XAI) in Biomedical Signal and Image Processing: Promises
and Challenges [6.2582045516539715]
説明可能なAI(XAI)は、モデルを解釈し、説明を提供することによって、この翻訳ギャップを埋めようとしている。
本稿では,バイオメディカルデータ処理におけるXAIの概要と,バイオメディカル画像の深層学習とIEEE信号処理マガジンの信号処理に関する特集について述べる。
論文 参考訳(メタデータ) (2022-07-09T16:27:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。