使用 TensorFlow Keras、PyTorch 和 JAX 的医学图像分类系统性能比较-计算机科学-深度学习-医学成像-医学图像分类.pdfVIP

使用TensorFlowKeras、PyTorch和JAX的医

学图像分类系统性能比较

MerjemBeirovi,AminaKurtovi,NordinSmajlovi,MedinaKapo,and

AmilaAkagi

FacultyofElectricalEngineering,UniversityofSarajevo,

ComputerScienceandInformatics,

71000Sarajevo,BosniaandHerzegovina

{mbecirovic3,akurtovic4,nsmajlovic1,mkapo2,aakagic}@etf.unsa.ba

本

译摘要医学成像在早期疾病诊断和监测中起着至关重要的作用。特别是，血

中液显微镜检查为了解血细胞形态和检测血液系统疾病的提供了有价值的见

解。近年来，基于深度学习的自动化分类系统已经显示出提高血液图像分

1

v析准确性和效率的巨大潜力。然而，对特定深度学习框架性能的详细分析

7似乎还存在不足。本文比较了三个流行的深度学习框架（TensorFlow与

8

5Keras、PyTorch和JAX）在公开可用的BloodMNIST数据集上分类血细

4胞图像的表现。研究主要集中在推理时间差异上，但也包括不同图像尺寸

1.下的分类表现。结果显示，由于诸如图像分辨率和框架特定优化等因素的

7影响，在各个框架中的性能存在差异。对于JAX和PyTorch的分类准确

0

5性与当前基准相当，展示了这些框架在医学图像分类中的高效性。

2

:

vKeywords:医学成像·显微镜·分类·TensorFlow·Keras·PyTorch

i

x·JAX·XLA·计算图·JIT

r

a

1介绍

医学成像在现代医疗保健中至关重要，能够实现疾病的早期诊断和监

测。血液显微镜检查因其能提供有价值的血细胞形态、特性和血液疾病及感

染的诊断信息而受到了广泛关注。由深度学习驱动的自动化分类系统在提高

对血液显微镜图像分析的准确性和效率方面显示出巨大的潜力，成为病理学

家和临床医生的重要工具[12]。

尽管深度学习在医学成像中被广泛采用，但由于执行速度、优化能力和

硬件加速器支持的差异，选择最有效的部署框架仍然是一个挑战。本文通过

在相同模型和训练配置下比较TensorFlow与Keras、PyTorch以及JAX这

2AuthorsSuppressedDuetoExcessiveLength

三个领先的深度学习框架来解决性能变异性问题。通过对血液细胞显微镜图

像的推理速度和分类准确性的评估，我们旨在识别哪个框架为医学图像分类

任务提供了最有效的执行方式。理解这些权衡对于寻求在临床环境中部署强

大且可扩展系统的研究人员和实践者来说至关重要，因为在