gpc2011/gpc2011.tex

   1 \documentclass{llncs}
   2 %\usepackage{latex8}
   3 %\usepackage{times}
   4 %\documentclass[a4paper,11pt]{article}
   5 %\usepackage{fullpage}
   6 \usepackage[T1]{fontenc}
   7 \usepackage[utf8]{inputenc}
   8 \usepackage{graphicx,subfigure,graphics}
   9 \usepackage{epsfig}
  10 %\usepackage[usenames]{color}
  11 %\usepackage{latexsym,stmaryrd}
  12 %\usepackage{amsfonts,amssymb}
  13 \usepackage{verbatim,theorem,moreverb}
  14 %\usepackage{float,floatflt}
  15 \usepackage{boxedminipage}
  16 \usepackage{url}
  17 %\usepackage{psfig}
  18 \usepackage{amsmath}
  19 \usepackage{amsfonts}
  20 \usepackage{amssymb}
  21 \usepackage{algorithm}
  22 \usepackage{algorithmic}
  23 %\usepackage{floatfig}
  24 %\usepackage{picins}
  25
  26
  27 \def\sfixme#1{\fbox{\textbf{FIXME: }#1}}
  28
  29 \newcommand{\fixme}[1]{%
  30   \begin{center}
  31     \begin{boxedminipage}{.8\linewidth}
  32       \textsl{{\bf #1}}
  33     \end{boxedminipage}
  34   \end{center}
  35 }
  36 \newcommand{\FIXME}[1]{\marginpar[\null\hspace{2cm} FIXME]{FIXME} \fixme{#1}}
  37
  38 %\psfigurepath{.:fig:IMAGES}
  39 \graphicspath{{.}{fig/}{IMAGES/}}
  40
  41 %\initfloatingfigs
  42
  43 \begin{document}
  44
  45 \title{Gridification of a Radiotherapy Dose Computation Application with the XtremWeb-CH Environment}
  46
  47 \author{Nabil Abdennhader\inst{1} \and Raphaël Couturier\inst{1}  \and
  48   Julien  Henriet\inst{2} \and  David Laiymani\inst{1}  \and Sébastien  Miquée\inst{1}
  49   \and Marc Sauget\inst{2}}
  50
  51 \institute{Laboratoire d'Informatique de l'universit\'{e}
  52   de Franche-Comt\'{e} \\
  53   IUT Belfort-Montbéliard, Rue Engel Gros, 90016 Belfort - France \\
  54 \email{raphael.couturier, david.laiymani, sebastien.miquee@univ-fcomte.fr}
  55 \and
  56  FEMTO-ST, ENISYS/IRMA, F-25210 Montb\'{e}liard , FRANCE\\
  57 }
  58 %\email{\texttt{[delfabbro,laiymani,nicod,philippe]@lifc.univ-fcomte.fr}}}
  59
  60
  61 \maketitle
  62
  63 \begin{abstract}
  64
  65 \end{abstract}
  66
  67 %-------------INTRODUCTION--------------------
  68 \section{Introduction}
  69
  70 The use of distributed architectures for solving large scientific problems seems
  71 to  become  mandatory  in  a  lot  of  cases. For  example,  in  the  domain  of
  72 radiotherapy dose computation the problem  is crucial. The main goal of external
  73 beam  radiotherapy is  the treatment  of  tumours while  minimizing exposure  to
  74 healthy tissue. Dosimetric  planning has to be carried out  in order to optimize
  75 the dose distribution within the patient is necessary. Thus, for determining the
  76 most accurate dose distribution during  treatment planning, a compromise must be
  77 found between  the precision and  the speed of calculation.  Current techniques,
  78 using   analytic   methods,  models   and   databases,   are   rapid  but   lack
  79 precision. Enhanced precision can be  achieved by using calculation codes based,
  80 for example, on Monte Carlo methods. In [] the authors proposed a novel approach
  81 based on the use of neural  networks. The approach is based on the collaboration
  82 of  computation  codes  and   multi-layer  neural  networks  used  as  universal
  83 approximators. It provides a fast  and accurate evaluation of radiation doses in
  84 any given environment for given  irradiation parameters. As the learning step is
  85 often very time consumming, in \cite{bcvsv08:ip} the authors proposed a parallel
  86 algorithm  that enable  to decompose  the learning  domain into  subdomains. The
  87 decomposition has  the advantage to  significantly reduce the complexity  of the
  88 target functions to approximate.
  89
  90 Now,  as  there  exist  several classes  of  distributed/parallel  architectures
  91 (supercomputers,  clusters, global  computing...)  we have  to  choose the  best
  92 suited  one  for  the  parallel  Neurad application.  The  Global  or  Volunteer
  93 computing model seems  to be an interesting approach.  Here, the computing power
  94 is obtained  by agregating unused  (or volunteer) public resources  connected to
  95 the Internet.  For our  case, we  can imagine for  example, that  a part  of the
  96 architecture  will  be  composed of  some  of  the  different computers  of  the
  97 hospital. This approach present the advantage  to be clearly cheaper than a more
  98 dedicated approach like the use of supercomputer or clusters.
  99
 100 The aim of this  paper is to propose and evaluate a  gridification of the Neurad
 101 application (more precisely, of the most time consuming part, the learning step)
 102 using  a  Global computing  approach.  For this,  we  focus  on the  XtremWeb-CH
 103 environnement []. We choose this  environnent because it tackles the centralized
 104 aspect of other global computing environments such as XTremWeb [] or Seti []. It
 105 tends  to  a  peer-to-peer  approach  by distributing  some  components  of  the
 106 architecture.  For  instance,  the  computing  nodes  are  allowed  to  directly
 107 communicate.   Experimentations  were  conducted  on  a  real  Global  Computing
 108 testbed. The results are very  encouraging. They exhibit an interesting speed-up
 109 and show that the overhead induced by the use of XTremWeb-CH is very acceptable.
 110
 111 The  paper  is  organized  as  follows.  In section  2  we  present  the  Neurad
 112 application  and particularly  it most  time  consuming part  i.e. the  learning
 113 step.  Section 3 details  the XtremWeb-CH  environnement while  in section  4 we
 114 expose  the gridification of  the Neurad  application. Experimental  results are
 115 presented in section  5 and we end  in section 6 by some  concluding remarks and
 116 perspectives.
 117
 118 \section{The Neurad application}
 119
 120 \begin{figure}[h]
 121   \centering
 122   \includegraphics[width=0.5\columnwidth]{figures/overlap.pdf}
 123   \caption{Overlapping for a sub-network  in a two-dimensional domain with ratio
 124     $\alpha$.}
 125   \label{fig:overlap}
 126 \end{figure}
 127
 128 The \emph{Neurad}~\cite{Neurad} project presented in this paper takes place in a
 129 multi-disciplinary   project  ,  involving   medical  physicists   and  computer
 130 scientists whose goal  is to enhance the treatment  planning of cancerous tumors
 131 by         external        radiotherapy.          In         our        previous
 132 works~\cite{RADIO09,ICANN10,NIMB2008}, we have  proposed an original approach to
 133 solve scientific problems whose  accurate modeling and/or analytical description
 134 are difficult.  That method is based on the collaboration of computational codes
 135 and neural networks  used as universal interpolator. Thanks  to that method, the
 136 \emph{Neurad}  software provides  a fast  and accurate  evaluation  of radiation
 137 doses in  any given environment  (possibly inhomogeneous) for  given irradiation
 138 parameters. We  have shown in a  previous work (\cite{AES2009})  the interest to
 139 use a distributed algorithm for the  neural network learning.
 140
 141 %We use a classical
 142 %RPROP algorithm with a HPU topology to do the training of our neural network.
 143
 144 In  addition  to the  possibility  to design  a  simple  and efficient  parallel
 145 algorithm, the domain decomposition  presents another important advantage in the
 146 context  of neural  learning. It  significantly  reduces the  complexity of  the
 147 target functions  to approximate.   Indeed, it is  much easier to  approximate a
 148 function on  a small  interval than on  a large  one, especially if  it contains
 149 sharp  variations.  Thus,  a  better  accuracy  can even  be  expected  on  each
 150 sub-domain.
 151
 152 However, performing the learnings on sub-domains constituting a partition of the
 153 initial domain is  not satisfying according to the quality  of the results. This
 154 comes from the fact that the accuracy of the approximation performed by a neural
 155 network is not  constant over the learned domain.  Thus, it  is necessary to use
 156 an  overlapping  of the  sub-domains.   The  overall  principle is  depicted  in
 157 Figure~\ref{fig:overlap}.   In this  way, each  sub-network has  an exploitation
 158 domain  smaller than its  training domain  and the  differences observed  at the
 159 borders  are  no  longer  relevant.   Nonetheless,  in  order  to  preserve  the
 160 performances of  the parallel  algorithm, it is  important to carefully  set the
 161 overlapping  ratio $\alpha$.   It must  be large  enough to  avoid  the border's
 162 errors, and as small as possible to limit the size increase of the data subsets.
 163
 164
 165
 166 %% Je ne pense que cette partie soit nécessaire. Il faudrait essayer de %détailler la partie apprentissage d'un point de vue données en entrée et %données en sorties. Puis décomposition de ces données pour la parallélisation.
 167 \subsection{Data description}
 168
 169
 170 In the context of external radiotherapy,  an essential parameter is the width of
 171 the beam.  The radiation result is directly dependant of this parameter. Indeed,
 172 if the beam has  a small width, it cannot reach the  electronic balance and does
 173 not present a tray as large as could be seen in Figure~\ref{f_tray} representing
 174 the classical behavior for a deposit curve.
 175
 176 \begin{figure}[http]
 177   \centering
 178   \includegraphics[width=0.7\columnwidth]{figures/testC.pdf}
 179   \caption{Dose deposit by a photon beam  of 24 mm of width in water (Normalised value). }
 180   \label{f_tray}
 181 \end{figure}
 182
 183 The evolution  of the behaviour of  the energy deposit during  an irradiation is
 184 shown in  Figure~\ref{f_beam} which represents  the energy deposit  at different
 185 depths for different widths of beam.  The main characteristics of a dose deposit
 186 curve are  the regularity of the central  part followed by the  sharpness of the
 187 beam  sides.  The  main  constraint in  the scope  of  our work  is the  limited
 188 tolerance about the final learning error.
 189
 190 \begin{figure}[http]
 191   \centering
 192   \includegraphics[width=0.45\columnwidth]{figures/eau_02_to_24.pdf}
 193   \includegraphics[width=0.45\columnwidth]{figures/ta6v4_02_to_24.pdf}
 194   \caption{Dose deposits  at the depth  of 60 mm  in water phantom and  in ta6v4
 195     (titanium) (Normalised value)}
 196   \label{f_beam}
 197 \end{figure}
 198
 199 Indeed, the neural network described here  represents one tool in a very complex
 200 chain of  treatment for  the global  evaluation of the  dose deposit  in complex
 201 environments.  The use  of the neural network is central  in our overall project
 202 and a too large  error at this stage could imply that  our final solution may be
 203 out of the medical error tolerance.
 204
 205
 206
 207 \section{The XtremWeb-CH environment}
 208
 209
 210
 211 \section{Neurad gridification with XTremWeb-CH}
 212
 213 %The Neurad application can be divided into three parts. The first one
 214 %aims at dividing data representing dose distribution on an area. This
 215 %area contains various parameters, like the density of the medium and
 216 %its nature. Multiple ``views'' can be superposed in order to obtain a
 217 %more accurate learning.
 218
 219 As exposed before, we only focus in these works on the most time consuming part of Neurad i.e. the neural learning part.
 220 These computations fit well with the model of the middleware -- all learning tasks execute in
 221 parallel independently with their own local data part, with no
 222 communication, following the fork-join model.
 223
 224 As described on Figure
 225 \ref{fig:neurad_grid}, we first send the learning application and data
 226 to the middleware (more precisely on warehouses (DW)) and create the
 227 computation module. When a worker (W) is ready to compute, it requests
 228 a task to execute to the coordinator (Coord.). This latter assigns it
 229 a task. The worker retrieves the application and its assigned data,
 230 and can start the computation. At the end of the learning process, it
 231 sends the result, a weighted neural network which will be used in a
 232 dose distribution process, to a warehouse. The last step of the
 233 application is to retrieve these results and exploit them.
 234
 235
 236 \begin{figure}[ht]
 237   \centering
 238   \includegraphics[width=7cm]{figures/neurad_gridif}
 239   \caption{Neurad gridification}
 240   \label{fig:neurad_grid}
 241 \end{figure}
 242
 243
 244 \section{Experimental results}
 245
 246
 247
 248 \section{Conclusion and future works}
 249
 250
 251
 252 \bibliographystyle{plain}
 253 \bibliography{biblio}
 254
 255
 256
 257 \end{document}