قطعه بندی تصاویر پزشکی در واحدهای پردازش گرافیکی (GPUs) – یک بررسی جامع

Medical image segmentation on GPUs – A comprehensive review

مجله الزویر – Elsevier

سال ۲۰۱۵

چکیده

قطعه بندی ساختارهای آناتومیک، ابه واسطه روش هایی مانند: مقطع نگاری کامپیوتری (CT)، تصویربرداری رزونانس مغناطیسی (MRI) و فراصوت، یک فناوری توانمند و کلیدی در کاربردهای پزشکی مانند: تشخیص، برنامه ریزی و هدایت محسوب می گردد. کارآمدی بیشتر پیاده سازی ها ضرورت دارد چرا که اغلب روش های قطعه بندی از نظر محاسباتی گرانقیمت بوده و مقدار داده های تصویربرداری پزشکی در حال رشد می باشند. افزایش قابلیت برنامه ریزی واحدهای پردازش گرافیکی (GPU) در سالیان اخیر استفاده از آن را در حوزه های مختلف مقدور ساخته است.

واحدهای پردازش گرافیکی (GPU) می توانند مشکلات بزرگ همروندی داده ها را با سرعت بالاتری از واحد پردازشگر مرکزی (CPU) سنتی حل کنند، ضمناً این واحدها مقرون به صرفه تر بوده و از کارآمدی انرژی بیشتری نسبت به سیستم های توزیع برخوردارند. افزون بر این، استفاده از یک واحد پردازشگر گرافیکی (GPU) تجسم همزمان و قطعه بندی های تعاملی ار مقدور می سازد به گونه ای که کاربر می تواند برای دستیابی به نتیجه رضایت بخش به الگوریتم کمک نماید. مقاله مروری حاضر به بررسی استفاده از واحدهای پردازش گرافیکی (GPU) برای سرعت بخشیدن به روش های قطعه بندی تصاویر پزشکی می پردازد.

برای استفاده کارآمد از واحدهای پردازش گرافیکی (GPU) مجموعه ای از معیارها تعریف شده و مطابقاً هر روش قطعه بندی ارزیابی گردید. افزون بر این، ارجاع به پیاده سازی های واحد پردازشگر گرافیکی (GPU) مربوطه و بینش مربوط به بهینه سازی واحد پردازشگر گرافیکی (GPU) ارائه شده و مورد بحث قرار گرفتند. مطالعه حاضر نتیجه گیری می نماید که با توجه به ساختار داده های موازی در روش های مزبور و تعدد بالای رشته ها، اغلب روش های قطعه بندی می توانند از مزایای پردازش واحد پردازشگر گرافیکی (GPU) بهره مند شوند. با این وجود، عواملی همچون: هماهنگ سازی، واگرایی شاخه و استفاده از حافظه می تواند فرآیند سرعت افزایی را محدود سازد.

Abstract

Segmentation of anatomical structures, from modalities like computed tomography (CT), magnetic resonance imaging (MRI) and ultrasound, is a key enabling technology for medical applications such as diagnostics, planning and guidance. More efficient implementations are necessary, as most segmentation methods are computationally expensive, and the amount of medical imaging data is growing. The increased programmability of graphic processing units (GPUs) in recent years have enabled their use in several areas. GPUs can solve large data parallel problems at a higher speed than the traditional CPU, while being more affordable and energy efficient than distributed systems. Furthermore, using a GPU enables concurrent visualization and interactive segmentation, where the user can help the algorithm to achieve a satisfactory result. This review investigates the use of GPUs to accelerate medical image segmentation methods. A set of criteria for efficient use of GPUs are defined and each segmentation method is rated accordingly. In addition, references to relevant GPU implementations and insight into GPU optimization are provided and discussed. The review concludes that most segmentation methods may benefit from GPU processing due to the methods’ data parallel structure and high thread count. However, factors such as synchronization, branch divergence and memory usage can limit the speedup.

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده ورد