論文の概要: cubic: CUDA-accelerated 3D Bioimage Computing

• arxiv url: http://arxiv.org/abs/2510.14143v1
• Date: Wed, 15 Oct 2025 22:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.643182
• Title: cubic: CUDA-accelerated 3D Bioimage Computing
• Title（参考訳）: 立方体:CUDAによる3Dバイオイメージコンピューティング
• Authors: Alexandr A. Kalinin, Anne E. Carpenter, Shantanu Singh, Matthew J. O'Meara,
• Abstract要約: このライブラリは、広く使われているSciPyとScikit-image APIをGPUアクセラレーションによって拡張します。 CubuteのAPIはデバイスに依存しないため、データがデバイスに配置された時にGPUに操作をディスパッチする。 個別の操作をベンチマークし、既存のデコンボリューションパイプラインとセグメンテーションパイプラインを再現することで立方体の評価を行う。
• 参考スコア（独自算出の注目度）: 42.83541173560835
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantitative analysis of multidimensional biological images is useful for understanding complex cellular phenotypes and accelerating advances in biomedical research. As modern microscopy generates ever-larger 2D and 3D datasets, existing computational approaches are increasingly limited by their scalability, efficiency, and integration with modern scientific computing workflows. Existing bioimage analysis tools often lack application programmable interfaces (APIs), do not support graphics processing unit (GPU) acceleration, lack broad 3D image processing capabilities, and/or have poor interoperability for compute-heavy workflows. Here, we introduce cubic, an open-source Python library that addresses these challenges by augmenting widely used SciPy and scikit-image APIs with GPU-accelerated alternatives from CuPy and RAPIDS cuCIM. cubic's API is device-agnostic and dispatches operations to GPU when data reside on the device and otherwise executes on CPU, seamlessly accelerating a broad range of image processing routines. This approach enables GPU acceleration of existing bioimage analysis workflows, from preprocessing to segmentation and feature extraction for 2D and 3D data. We evaluate cubic both by benchmarking individual operations and by reproducing existing deconvolution and segmentation pipelines, achieving substantial speedups while maintaining algorithmic fidelity. These advances establish a robust foundation for scalable, reproducible bioimage analysis that integrates with the broader Python scientific computing ecosystem, including other GPU-accelerated methods, enabling both interactive exploration and automated high-throughput analysis workflows. cubic is openly available at https://github$.$com/alxndrkalinin/cubic
• Abstract（参考訳）: 多次元生体画像の定量的解析は、複雑な細胞性表現型を理解し、生体医学研究の進歩を促進するのに有用である。 現代の顕微鏡がより大きくなった2Dデータセットと3Dデータセットを生成するにつれ、既存の計算アプローチはスケーラビリティ、効率性、現代の科学計算ワークフローとの統合によってますます制限されている。 既存のバイオイメージ解析ツールには、アプリケーションプログラマブルインターフェース(API)、グラフィックス処理ユニット(GPU)アクセラレーションのサポート、広い3D画像処理能力の欠如、計算量の多いワークフローに対する相互運用性の欠如などがしばしばある。 このライブラリは、広く使われているSciPyとScikit-image APIを、CuPyとRAPIDS cuCIMのGPUアクセラレーションによって強化することで、これらの課題に対処する。 CububyのAPIはデバイスに依存しないため、データがデバイスに配置された時にGPUに操作をディスパッチし、それ以外はCPU上で実行し、幅広い画像処理ルーチンをシームレスに高速化する。 このアプローチにより、プリプロセスからセグメンテーションまでの既存のバイオイメージ分析ワークフローのGPUアクセラレーションと、2Dデータと3Dデータの特徴抽出が可能になる。 個別の演算をベンチマークし、既存のデコンボリューションパイプラインとセグメンテーションパイプラインを再現することで立方体の評価を行い、アルゴリズムの忠実さを維持しながらかなりのスピードアップを実現した。 これらの進歩は、スケーラブルで再現可能なバイオイメージ分析のための堅牢な基盤を確立し、他のGPUアクセラレーションメソッドを含む、幅広いPython科学コンピューティングエコシステムと統合し、インタラクティブな探索とハイスループット分析ワークフローの自動化を可能にする。 Cububはhttps://github$.comで公開されている。 $com/alxndrkalinin/cubic

関連論文リスト

• A Parallel CPU-GPU Framework for Cost-Bounded DFS with Applications to IDA* and BTS [13.186524200050957]
  本稿では,深度第一探索におけるGPU計算手法を提案する。 これは、Iterative Deepening A* (IDA*)アルゴリズムの拡張であるemphsynchronous IDA*のようなアルゴリズムを作成するために使用される。 本研究では, 3x3 の Rubik Cube と 4x4 のスライディングタイルパズル (STP) に対するアプローチを評価し,GPU 操作を DFS で効率的にバッチ化可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-16T05:07:33Z)
• Deep Optimizer States: Towards Scalable Training of Transformer Models Using Interleaved Offloading [2.8231000588510757]
  トランスフォーマーと大規模言語モデル(LLM)は、すべてのドメインで急速に採用されている。 変圧器の訓練は非常に高価で、しばしば記憶壁にぶつかる」 本稿では,LLMをCPUまたはGPU上で更新フェーズをスケジュールしたサブグループに分割する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-26T00:43:59Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
  本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。 メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。 さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:16:49Z)
• Distributing Deep Learning Hyperparameter Tuning for 3D Medical Image Segmentation [5.652813393326783]
  3次元医用画像(MIS)の新たな技術に関するほとんどの研究は、現在、Deep LearningとGPUアクセラレータを使って行われている。 このような技術の主な課題は、単一の入力が計算資源に容易に対応でき、処理に不当な時間を要することである。 本稿では,マルチノードおよびマルチGPU環境に着目した分散ディープラーニングトレーニングパイプラインの設計を提案する。
  論文  参考訳（メタデータ） (2021-10-29T16:11:25Z)
• Efficient GPU implementation of randomized SVD and its applications [17.71779625877989]
  行列分解は、次元データの圧縮やディープラーニングアルゴリズムなど、機械学習においてユビキタスである。 行列分解の典型的な解は、計算コストと時間を大幅に増大させる複雑さを持つ。 我々は,計算行列分解の計算負担を軽減するために,現代のグラフィカル処理ユニット(GPU)で並列に動作する効率的な処理操作を利用する。
  論文  参考訳（メタデータ） (2021-10-05T07:42:41Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
  カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。 最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。 ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
  論文  参考訳（メタデータ） (2020-06-18T08:16:25Z)

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。