Algorithmique Numérique Distribuée Public GIT Repository
027142a8e4791c8758151bcf02f94133fc699f0a
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}
28 \def\sfixme#1{\fbox{\textbf{FIXME: }#1}}
30 \newcommand{\fixme}[1]{%
31   \begin{center}
32     \begin{boxedminipage}{.8\linewidth}
33       \textsl{{\bf #1}}
34     \end{boxedminipage}
35   \end{center}
36 }
37 \newcommand{\FIXME}[1]{\marginpar[\null\hspace{2cm} FIXME]{FIXME} \fixme{#1}}
39 %\psfigurepath{.:fig:IMAGES}
40 \graphicspath{{.}{fig/}{IMAGES/}}
42 %\initfloatingfigs
44 \begin{document}
46 \title{Gridification of a Radiotherapy Dose Computation Application with the XtremWeb-CH Environment}
48 \author{Nabil Abdennhader\inst{1} \and Raphaël Couturier\inst{1} \and David \and
49   Julien  Henriet\inst{2} \and  Laiymani\inst{1}  \and Sébastien  Miquée\inst{1}
50   \and Marc Sauget\inst{2}}
52 \institute{Laboratoire d'Informatique de l'universit\'{e}
53   de Franche-Comt\'{e} \\
54   IUT Belfort-Montbéliard, Rue Engel Gros, 90016 Belfort - France \\
55 \email{raphael.couturier, david.laiymani, sebastien.miquee@univ-fcomte.fr}
56 \and
57  FEMTO-ST, ENISYS/IRMA, F-25210 Montb\'{e}liard , FRANCE\\
58 }
59 %\email{\texttt{[laiymani]@lifc.univ-fcomte.fr}}}
62 \maketitle
64 \begin{abstract}
66 \end{abstract}
68 %-------------INTRODUCTION--------------------
69 \section{Introduction}
71 The use of distributed architectures for solving large scientific problems seems
72 to  become  mandatory  in  a  lot  of  cases. For  example,  in  the  domain  of
73 radiotherapy dose computation the problem  is crucial. The main goal of external
74 beam  radiotherapy is  the treatment  of  tumours while  minimizing exposure  to
75 healthy tissue. Dosimetric  planning has to be carried out  in order to optimize
76 the dose distribution within the patient is necessary. Thus, for determining the
77 most accurate dose distribution during  treatment planning, a compromise must be
78 found between  the precision and  the speed of calculation.  Current techniques,
79 using   analytic   methods,  models   and   databases,   are   rapid  but   lack
80 precision. Enhanced precision can be  achieved by using calculation codes based,
81 for example, on Monte Carlo methods. In [] the authors proposed a novel approach
82 based on the use of neural  networks. The approach is based on the collaboration
83 of  computation  codes  and   multi-layer  neural  networks  used  as  universal
84 approximators. It provides a fast  and accurate evaluation of radiation doses in
85 any given environment for given  irradiation parameters. As the learning step is
86 often very time consumming, in \cite{bcvsv08:ip} the authors proposed a parallel
87 algorithm  that enable  to decompose  the learning  domain into  subdomains. The
88 decomposition has  the advantage to  significantly reduce the complexity  of the
89 target functions to approximate.
91 Now,  as  there  exist  several classes  of  distributed/parallel  architectures
92 (supercomputers,  clusters, global  computing...)  we have  to  choose the  best
93 suited  one  for  the  parallel  Neurad application.  The  Global  or  Volunteer
94 computing model seems  to be an interesting approach.  Here, the computing power
95 is obtained  by agregating unused  (or volunteer) public resources  connected to
96 the Internet.  For our  case, we  can imagine for  example, that  a part  of the
97 architecture  will  be  composed of  some  of  the  different computers  of  the
98 hospital. This approach present the advantage  to be clearly cheaper than a more
99 dedicated approach like the use of supercomputer or clusters.
101 The aim of this  paper is to propose and evaluate a  gridification of the Neurad
102 application (more precisely, of the most time consuming part, the learning step)
103 using  a  Global computing  approach.  For this,  we  focus  on the  XtremWeb-CH
104 environnement []. We choose this  environnent because it tackles the centralized
105 aspect of other global computing environments such as XTremWeb [] or Seti []. It
106 tends  to  a  peer-to-peer  approach  by distributing  some  components  of  the
107 architecture.  For  instance,  the  computing  nodes  are  allowed  to  directly
108 communicate.   Experimentations  were  conducted  on  a  real  Global  Computing
109 testbed. The results are very  encouraging. They exhibit an interesting speed-up
110 and show that the overhead induced by the use of XTremWeb-CH is very acceptable.
112 The  paper  is  organized  as  follows.  In section  2  we  present  the  Neurad
113 application  and particularly  it most  time  consuming part  i.e. the  learning
114 step.  Section 3 details  the XtremWeb-CH  environnement while  in section  4 we
115 expose  the gridification of  the Neurad  application. Experimental  results are
116 presented in section  5 and we end  in section 6 by some  concluding remarks and
117 perspectives.
121 \begin{figure}[http]
122   \centering
126 \end{figure}
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
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. We use a classical
140 RPROP algorithm with a HPU topology to do the training of our neural network.
143 clearly independant : the initial  data production, the learning process and the
144 dose deposit  evaluation.  The first step,  the data production,  is outside the
145 {\it{Neurad}}  project.  They  are  many  solutions to  obtains  data about  the
146 radiotherapy treatments like the measure  or the simulation.  The only essential
147 criterion is  that the result  must be obtain  in a homogeneous  environment. We
148 have chosen  to use  only a Monte  Carlo simulation  because this tools  are the
149 references in the radiotherapy domains. The advantages to use data obtain with a
150 Monte Carlo  simulator are the  following : accuracy, profusing,  quantify error
151 and regularity  of measure point.  But,  they are too disagreement  and the most
152 important  is  the  statistical  noise  forcing  a  data  post  treatment.   The
153 Figure~\ref{f_tray} present the general behavior of a dose deposit in water.
156 \begin{figure}[http]
157   \centering
158   \includegraphics[width=0.7\columnwidth]{figures/testC.pdf}
159   \caption{Dose deposit by a photon beam  of 24 mm of width in water (Normalized value). }
160   \label{f_tray}
161 \end{figure}
163 The secondary stage of the {\it{Neurad}}  project is about the learning step and
164 it is the most time consuming step. This step is off-line but is it important to
165 reduce the time used for the  learning process to keep a workable tools. Indeed,
166 if the learning time is too important (for the moment, this time could reach one
167 week for a  limited works domain), the  use of this process could  be be limited
168 only at a major modification of  the use context.  However, it is interesting to
169 do  an update to  the learning  process when  the bound  of the  learning domain
170 evolves (evolution in material used for  the prosthesis or evolution on the beam
171 (size, shape  or energy)). The learning time  is linked with the  volume of data
172 who could  be very important  in real medical  context.  We have work  to reduce
173 this  learning time  with a  parallel  method of  the learning  process using  a
174 partitioning method of  the global dataset. The goal of this  method is to train
175 many neural networks  on sub-domain of the global  dataset.  After this training,
176 the use  of this neural  networks together allows  to obtain a response  for the
177 global domain of study.
180 \begin{figure}[h]
181   \centering
182   \includegraphics[width=0.5\columnwidth]{figures/overlap.pdf}
183   \caption{Overlapping for a sub-network  in a two-dimensional domain with ratio
184     $\alpha$.}
185   \label{fig:overlap}
186 \end{figure}
189 However, performing the learnings on sub-domains constituting a partition of the
190 initial domain is  not satisfying according to the quality  of the results. This
191 comes from the fact that the accuracy of the approximation performed by a neural
192 network is not  constant over the learned domain.  Thus, it  is necessary to use
193 an  overlapping  of the  sub-domains.   The  overall  principle is  depicted  in
194 Figure~\ref{fig:overlap}.   In this  way, each  sub-network has  an exploitation
195 domain  smaller than its  training domain  and the  differences observed  at the
196 borders  are  no  longer  relevant.   Nonetheless,  in  order  to  preserve  the
197 performances of  the parallel  algorithm, it is  important to carefully  set the
198 overlapping  ratio $\alpha$.   It must  be large  enough to  avoid  the border's
199 errors, and as small as possible to limit the size increase of the data subsets.
205 \section{The XtremWeb-CH environment}
206 \section{The XtremWeb-CH environment (\textit{XWCH})}
207 \input{xwch.tex}
208 \section{Experimental results}
209 \section{Conclusion and future works}
213 \bibliographystyle{plain}
214 \bibliography{biblio}
218 \end{document}