基于TensorFolw的人工智能影像诊断平台工作原理解析

文章对TensorFolw人工智能影像诊断平台的工作原理进行了解析，希望这篇文章能够帮助你更好地理解 Tensorflow。

使用人工智能来辅助病理医生对样本进行诊断，不仅能够大幅度提高医师的诊断效率，而且可以减少漏诊，提高诊断准确率。

数字化的病理影像能够观察到组织细胞形态，在最高数字扫描时，文件尺寸达到GB量级，需要利用人工智能和系统工程学的技术去突破这些困难。

在这篇文章当中，我将会从人工智能系统的构建方法角度来入手，举例消化道病理影响辅助系统研发过程中的技术细节。

当然，这是相对陌生的医疗科技领域知识，为了读者能更快的理解和吸收，全篇也会围绕产品经理的角度去解。

一、什么是病理？

病理就是通过分析病人的组织，细胞和体液样本来诊断疾病。

那么，病理对于临床医生提供进一步治疗策略的金指标。

这里有个容易混淆的是AI医学影像，并不是所有都是从CT、X光、B超等分析得出。就拿胃癌筛查来说，它的病理影像通过扫描仪扫描组织放大形成大概1.4GB影像来进行分析判断的。

不同病种的病理来源

病理影像都是与众不同的，这也是技术上的挑战。

那么在进行病理判断之前，我们需要建立一套训练模型，通过医生标注的图像进行增强训练以及数据处理。

二、TENSORFOLW工作原理

我们讲解TensorFolw训练模型时，我们要了解整个的深度学习的流程。

简易工作流程

数据源一般来自医院的PACS、RIS系统等，形成数据队列后进行数据增强图像方向的鲁棒性。

另外，我们要注意扫描仪的倍数，会造成在不同样的倍数情况下图像的鲁棒性。

然后利用TensorBoard来进行模型监控，TensorBoard是一个可视化工具，能够有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。

再通过TensorFolw导出（病理）模型交给生产环境推理框架（TensorFolw Serving）进行自动处理。

那tensorfolw serving是怎么工作的呢？

Tensorserving工作流程

tensorfolw serving把病理切片分成坐标标记的小块切分之后把节点让一个map每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。

map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。

这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。

然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。

MAP与reduce机制再将分区中的数据拷贝给相对应的reduce任务。Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。

如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。

随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。

其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。

最后返回数据到后端。

同样的流程可以迁移学习，病理图像有很多相似的地方，腺、息肉、囊肿等等都可以同理应用。