论文部分内容阅读
计算机断层成像(Computed Tomography,CT)是利用X射线穿透被检测物体获得投影数据,然后对投影数据进行一系列变换得到断层图像的技术。CT技术经过了几十年发展已经成熟,广泛用于临床诊断。图像重建速度在CT系统中至关重要,研究人员一直致力于CT图像重建加速研究,计算机硬件和大数据技术的发展给快速重建和图像分析带来了新的机遇和挑战。本文结合了大数据框架Spark和GPU(Graphics Processing Unit),搭建了分布式计算集群,在该集群中实现批量CT图像加速重建。其加速效果来源于两部分:1、分布式集群的计算方式能将需要处理的数据分摊给各个计算节点,这样每个节点需要处理的数据减少,因此总时间减少。2、GPU的加入能发挥其多线程的特点,在应对CT图像重建这种计算密集、数据量大的场景时能大幅提升速度,减少单张图像的重建时间。本文取真实CT图像用来生成投影数据,然后用此投影数据进行重建从而模拟CT成像过程,最终实验结果表明本文设计的Spark-GPU平台对滤波反投影算法和同时代数迭代算法有明显的加速效果。为了进一步优化该平台的效率和性能,本文从加速比、CPU使用率、网络带宽占用和内存使用率四个方面对程序的执行过程进行了分析,并对数据传输策略进行了优化。医学图像限于传感器的特性和环境条件,其分辨率不高,对临床诊断和后续图像处理有一定的限制,提升医学图像分辨率一直是研究人员追求的目标。传感器硬件的发展短时间难有突破,因此通过算法提升图像的分辨率便是解决这一问题的重要途径。神经网络能自动寻找最优解和提取特征,在分类、检测、自然语言处理等领域已经有了令人瞩目的成果,基于卷积神经网络的超分辨模型不断涌现,效果优异。本文提出了 CT图像超分辨网络,结合了 WDSR(Wide Deep Super Resolution)的优点,在该模型中使用了小卷积核替代大卷积核,并用更小的切片等两种方式让效果实现了良好的提升,并与FSRCNN(Fast Super Resolution Convolutional Neural Networks)及传统插值方法做了对比。在模型训练完成后将其部署在Spark-GPU平台上,利用主节点进行超分辨重建,不仅能够和CT图像重建过程进行衔接,还实现了图像处理速度的提升,进一步证明了该平台的实用性。