發(fā)布時間：2023-04-01 22:14

　　隨著GPU計算時代的到來,大量并行性的程序越來越多地使用GPU的并行計算能力來獲得更高的性能和效率。如今,GPU并行計算使以前認為由于執(zhí)行時間長而無法實現(xiàn)的程序成為可能。壓縮感知光聲計算機層析成像(compressed sensing-photoacoustic computed tomography,CS-PACT)是一種常用的醫(yī)學圖像重建方法,可以在稀疏采樣的情況下生成高質量的圖像。然而,由于CS-PACT是一個需要幾十到幾百次迭代的重建過程,計算復雜度高,使得圖像重建過程非常慢。因此,為了提高圖像重建速度,本文將GPU應用到光聲圖像重建中,重點探索了CS-PACT算法的GPU并行計算框架和計算方法。本文的主要研究內容如下:(1)小圖像尺寸下的GPU并行計算模型和方法。本文提出了迭代重建算法的GPU并行計算架構,主要是提取了5類主要的并行化算子,然后對其進行并行設計,并運用優(yōu)化方法對其優(yōu)化。最后通過兩個不同的人手數(shù)據(jù)(128*128,256*128)進行定性與定量分析,來證明GPU重建圖像的準確性。對于128*128(像素)人手1的B-scan光聲圖像實現(xiàn)了1.9-2.5s的圖像重...

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 技術路線
    1.4 論文組織結構
第2章 GPU并行計算和CUDA編程
    2.1 GPU運算優(yōu)勢
    2.2 GPU體系架構
    2.3 CUDA編程基礎
        2.3.1 CUDA軟件體系結構
        2.3.2 CUDA編程模型
        2.3.3 CUDA存儲模型
        2.3.4 CUDA分析工具
第3章 光聲成像及重建算法
    3.1 光聲成像
    3.2 傳統(tǒng)反投影重建算法
    3.3 基于模型的壓縮感知重建
第4章 小圖像尺寸下的GPU并行計算模型和方法
    4.1 壓縮感知-光聲層析成像并行框架
    4.2 核函數(shù)
        4.2.1 矩陣乘法
        4.2.2 矩陣轉置
        4.2.3 矩陣中最大值
        4.2.4 矩陣按行乘累加
        4.2.5 矩陣向量乘法
    4.3 活體實驗驗證
        4.3.1 高頻陣列光聲成像系統(tǒng)
        4.3.2 實驗結果
    4.4 本章小結
第5章 大圖像尺寸下的GPU并行計算模型和方法
    5.1 CUDA流
    5.2 基于CUDA流的并行計算框架
    5.3 仿體插針實驗
        5.3.1 低頻陣列光聲成像系統(tǒng)
        5.3.2 實驗結果
    5.4 小老鼠實驗
    5.5 本章小結
第6章 總結與展望
    6.1 論文總結
    6.2 論文展望
參考文獻
致謝
在校期間發(fā)表的學術論文



本文編號：3777958