关注+标星，邂逅每一篇经典！
投稿或寻求报道：qunfunction@163.com
|太长不看版
深度学习正在改变生物图像的分析方式，但将这些模型应用于大规模数据集仍然具有挑战性。
在这里，作者介绍了DeepCell Kiosk，这是一种云原生软件，能够动态扩展深度学习工作流程以适应大规模成像数据集。
为了展示该软件的可扩展性和经济性，作者在大约5.5小时内识别了106张100万像素图像中的细胞核，成本约为250美元，根据集群配置的不同，成本可以降至100美元以下。
学术地址：
https://www.nature.com/articles/s41592-020-01023-0
代码地址：
https://github.com/vanvalenlab
|匠心独运
图1：DeepCell Kiosk的架构和性能。a，数据在DeepCell Kiosk中的流动。提交到运行中的Kiosk集群的图像会被放入队列中。一旦进入队列，这些图像将由称为消费者的对象处理，消费者执行给定管道中的所有计算操作。消费者自己执行大部分计算，但通过向TensorFlow Serving提交数据并捕获结果来访问深度学习。这种分离允许传统操作和深度学习操作发生在不同类型节点上，这对于高效的资源分配至关重要。处理完成后，结果返回队列，用户可以下载。b，左，基准测试展示了推理速度扩展到大规模成像数据集的能力（详情见补充信息）。吞吐量最终受限于数据传输速度。右，成本分析显示了经济性。网络成本是由多区域集群中的跨区域网络流量产生的，这类集群比单区域集群更稳定且扩展更快。当用户配置单区域集群时，可以避免这种成本。对于100万张图像的运行进行了一次基准测试，其他情况下进行了三次重复测试。误差条代表重复测量的标准差。c，DeepCell Kiosk能够构建和扩展多模型管道。例如，活细胞成像消费者可以访问用于分割和跟踪的深度学习模型。活细胞成像消费者将电影帧放入分割消费者的队列中，并在那里并行处理。分割完成后，图像由跟踪消费者处理，以随时间链接细胞并构建谱系。结果包括分割和跟踪细胞的标签图像以及描述母女关系的JSON文件，这些结果被上传到云存储桶，用户可以从那里下载。
