Estrategias para la mejora de gestión de memoria en algoritmos de aprendizaje profundo para el realce de contraste de imágenes radiológicas de alta resolución

La radiografía convencional es una valiosa herramienta para el diagnóstico, gracias a su asequibilidad, facilidad de interpretación y manejo.
A pesar de estas ventajas, tiene limitaciones debido a la mínima diferencia en la absorción de rayos X entre los tejidos blandos y al contraste reducido causado por la dispersión de los rayos X. La aplicación de técnicas de procesamiento de imágenes puede mejorar la calidad de la radiografía y al mismo tiempo disminuir la exposición del paciente a la radiación ionizante. Para ello, en los últimos años, se ha comenzado a aplicar técnicas de procesamiento de imagen basadas en aprendizaje profundo.
El empleo de estas técnicas requiere de una gran cantidad de recursos computacionales, especialmente en términos de memoria en los dispositivos GPU.

Este trabajo presenta un análisis detallado de distintas técnicas de reducción del consumo de memoria durante las etapas de entrenamiento. Esto permite trabajar con imágenes de gran tamaño, como es el caso de la imagen radiológica, evitando los problemas derivados de trabajar con parches o la pérdida de resolución espacial que supone hacer un submuestreo. Para ello se han estudiado de forma experimental distintas aproximaciones, tanto en ejecuciones en un solo computador como en sistemas distribuidos basados en paralelismo de modelo. La evaluación experimental demuestra que es posible alcanzar hasta una reducción del 20% para un único nodo y hasta 70% para el modelo distribuido sin pérdida de precisión.