發(fā)布時間：2018-08-08 20:37

【摘要】：生物發(fā)光斷層成像(BLT)是通過熒光測量值對生物組織發(fā)光源進行重建,得到發(fā)光源的三維分布。BLT包括前向問題和逆問題兩部分,在BLT前向問題中,需要解決的主要問題是光傳輸方式的精確建模以及快速求解。在幾種光傳輸模型中,SPN模型實用性越來越高。但是在SPN模型中,由于N的上升,導(dǎo)致該模型的求解計算速度不斷降低。而在逆問題過程中,由于使用大規(guī)模熒光數(shù)據(jù)有助于提高重建質(zhì)量,但同時也會消耗大量的計算時間,因此針對大規(guī)模數(shù)據(jù),需要進行快速重建方面的研究。本文分別對BLT前向的SPN模型中計算代價和后向問題中重建速度兩方面進行了探索。主要工作包括:1)基于GPU的BLT前向問題的并行加速求解策略和實現(xiàn)。在有限元方法下,對BLT前向過程進行計算時間分析可得,剛度矩陣生成和線性方程組求解兩部分在整個前向過程中耗時最高,且這兩部分都非常適合并行化處理,因此將SPN模型作為光傳輸模型,結(jié)合GPU的并行處理能力提出一種基于GPU/CPU雙平臺的BLT前向問題加速策略。將前向過程分解成剛度矩陣生成、線性方程組求解、數(shù)據(jù)交換和條件判斷四部分,其中將前兩部分傳輸給GPU端進行加速運算,而后兩部分交給CPU執(zhí)行。數(shù)字鼠仿真實驗驗證了在本策略下,針對不同網(wǎng)格數(shù)量下的SP5模型的BLT前向整體加速比最高能達到20倍左右。2)針對大規(guī)模數(shù)據(jù)導(dǎo)致BLT重建耗時大的問題,提出了一種基于交替方向乘子法(ADMM)結(jié)合隨機對偶坐標下降方法(SDCA)的BLT重建算法。通過SDCA方法隨機選取某一坐標系方向?qū)⒛繕撕瘮?shù)分解成多個子函數(shù),使每個坐標下都有對應(yīng)的子函數(shù),然后再計算每個子函數(shù)的最優(yōu)解,然后在迭代過程中按照最優(yōu)解與真實值之間的接近程度依次選取對應(yīng)坐標下的子函數(shù),減少無關(guān)數(shù)據(jù)在迭代過程中的使用率,提升收斂速度,實現(xiàn)快速重建目的。數(shù)字鼠仿體實驗和真實老鼠實驗驗證了在保證BLT重建圖像精度的同時,重建速度提高了5倍左右。
[Abstract]:Bioluminescence tomography (BLT) is used to reconstruct the light source of biological tissue by fluorescence measurement, and the three-dimensional distribution of the light source. BLT includes two parts: forward problem and inverse problem. In the forward problem of BLT, The main problem to be solved is the accurate modeling and fast solution of optical transmission mode. Among several optical transmission models, the SPN model is becoming more and more practical. But in the SPN model, because of the rise of N, the calculation speed of the model is decreasing. In the inverse process, because the use of large-scale fluorescence data can improve the quality of reconstruction, but also consume a lot of computing time, so for large-scale data, we need to do research on rapid reconstruction. In this paper, the computational cost of the BLT forward SPN model and the reconstruction speed of the backward problem are explored respectively. The main work includes: 1) parallel accelerated solution strategy and implementation of BLT forward problem based on GPU. Under the finite element method, the computational time of BLT forward process can be analyzed. The stiffness matrix generation and the solution of linear equations are the most time-consuming in the whole forward process, and these two parts are very suitable for parallelization. Therefore, the SPN model is taken as the optical transmission model and the parallel processing ability of GPU is combined to propose a BLT forward problem acceleration strategy based on GPU/CPU dual platform. The forward process is decomposed into four parts: stiffness matrix generation, linear equation system solution, data exchange and condition judgment. The first two parts are transmitted to the GPU terminal for accelerated operation, and the latter two parts are handed over to CPU for execution. Digital rat simulation experiments show that under this strategy, the BLT forward overall acceleration ratio of SP5 model with different mesh number can reach 20 times. 2.) because of the large scale data, BLT reconstruction takes a lot of time. A BLT reconstruction algorithm based on alternating direction multiplier method (ADMM) and stochastic dual coordinate descent method (SDCA) is proposed. The objective function is decomposed into several subfunctions by the SDCA method in which the direction of a coordinate system is selected randomly, so that there are corresponding subfunctions in each coordinate system, and then the optimal solution of each subfunction is calculated. Then in the iterative process according to the approximate degree between the optimal solution and the real value the subfunctions in the corresponding coordinates are selected in order to reduce the utilization rate of independent data in the iterative process improve the convergence speed and achieve the purpose of fast reconstruction. The digital mouse body simulation experiment and the real mouse experiment show that the reconstruction speed is increased by about 5 times while the accuracy of BLT reconstruction image is guaranteed.
【學位授予單位】：西北大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 黃禮松;核磁共振斷層成像在醫(yī)學上的應(yīng)用[J];同位素;1992年04期

2 李美梅;;提高低序級斷層成像精度技術(shù)研究[J];內(nèi)江科技;2014年01期

3 黃曉星;宋曉偉;朱平;;冷凍電子斷層成像技術(shù)及其在生物研究領(lǐng)域的應(yīng)用[J];生物物理學報;2010年07期

4 倪英杰;趙建民;朱信忠;張倩;安羽;徐含;;基于激發(fā)熒光斷層成像的多腫瘤重建[J];浙江師范大學學報(自然科學版);2014年03期

5 張輝;李穎;王西明;張小娣;;電阻抗斷層成像的MPSO-MNR算法研究[J];計算機工程與應(yīng)用;2013年09期

6 楊慶余;放射診斷學史上新的里程碑——電子計算機X射線斷層成像(CT)[J];物理實驗;2001年10期

7 史學濤,董秀珍,秦明新,尤富生,湯孟興,趙惠軍;計算機控制的電阻抗斷層成像數(shù)據(jù)采集系統(tǒng)[J];第四軍醫(yī)大學學報;1998年01期

8 尤富生,董秀珍,秦明新,王志敏,史學濤,湯孟興;電阻抗斷層成像中提高測量精度的方法[J];第四軍醫(yī)大學學報;1998年02期

9 詹總謙;盧亮;;基于GPU并行處理技術(shù)的影像畸變差修正[J];測繪信息與工程;2011年02期

10 馬建英,董秀珍,秦明新,劉銳崗,尤富生,向海燕;動態(tài)感應(yīng)電流電阻抗斷層成像的算法仿真[J];第四軍醫(yī)大學學報;2002年08期

相關(guān)會議論文 前10條

1 劉銳崗;董秀珍;尤富生;付峰;史學濤;吳曉明;;多目標的靜態(tài)阻抗斷層成像[A];21世紀醫(yī)學工程學術(shù)研討會論文摘要匯編[C];2001年

2 秦明新;李世俊;董秀珍;尤富生;史學濤;付峰;;非接觸磁感應(yīng)腦電導(dǎo)率斷層成像實驗系統(tǒng)研究[A];全面建設(shè)小康社會：中國科技工作者的歷史責任——中國科協(xié)2003年學術(shù)年會論文集（上）[C];2003年

3 何傳紅;何為;黃嵩;徐征;;開放式電阻抗斷層成像原理及仿真研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術(shù)年會論文集（下冊）[C];2007年

4 劉亞楠;郭建中;;基于正則化方法的超聲斷層成像重建[A];2012'中國西部聲學學術(shù)交流會論文集(Ⅱ)[C];2012年

5 朱平;;冷凍電鏡及電子斷層成像在艾滋病毒表面分子及其復(fù)合物三維結(jié)構(gòu)分析中的應(yīng)用[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

6 陳建功;孫黎明;;單光子發(fā)射計算機斷層成像裝置(SPECT)的斷層成像分析與檢測[A];華東華南計量學術(shù)交流研討會論文集[C];2012年

7 于波;;光學干涉斷層成像在冠心病介入診斷與治療中的應(yīng)用[A];寧夏心血管病學進展暨第二屆心血管病介入治療研討會資料匯編[C];2005年

8 洪文學;宋佳霖;孟輝;徐永紅;劉文遠;王立強;;基于血清蛋白質(zhì)組質(zhì)譜數(shù)據(jù)斷層成像原理癌癥標志物模式構(gòu)成研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術(shù)年會論文集（下冊）[C];2007年

9 王妍;沙洪;趙舒;任超世;;電阻抗斷層成像電極數(shù)與激勵模式對成像結(jié)果的影響[A];天津市生物醫(yī)學工程學會2008年年會暨首屆生物醫(yī)學工程與臨床論壇論文集[C];2008年

10 劉銳崗;楊超;呂朋;董秀珍;;磁感應(yīng)斷層成像中優(yōu)化激勵線圈參數(shù)的仿真研究[A];中國生物醫(yī)學工程學會成立30周年紀念大會暨2010中國生物醫(yī)學工程學會學術(shù)大會壁報展示論文[C];2010年

相關(guān)重要報紙文章 前2條

1 本報記者 劉燕;GPU加速是手機瀏覽器方向[N];科技日報;2012年

2 ;GPU，智能手機好推手[N];電腦報;2013年

相關(guān)博士學位論文 前10條

1 丁亮;金屬邊界條件下的微波斷層成像研究[D];國防科學技術(shù)大學;2014年

2 安羽;無網(wǎng)格激發(fā)熒光斷層成像方法研究[D];北京交通大學;2017年

3 吳鑫;基于GPU的光電目標檢測方法研究[D];西安電子科技大學;2015年

4 陳鋼;眾核GPU體系結(jié)構(gòu)相關(guān)技術(shù)研究[D];復(fù)旦大學;2011年

5 張岐坦;基于壓縮感知的生物發(fā)光斷層成像重建方法研究[D];西安電子科技大學;2013年

6 王然;爐膛三維溫度場聲學測量及其在燃燒優(yōu)化中的應(yīng)用研究[D];華北電力大學;2015年

7 李佳;確定性測量矩陣與稀疏重建算法研究及其在WCSS中的應(yīng)用[D];哈爾濱工業(yè)大學;2016年

8 向永源;太陽高分辨高速重建算法的研究[D];中國科學院研究生院(云南天文臺);2016年

9 王瀟涵;圖上信號的采樣與重建研究[D];清華大學;2016年

10 吳篤蕃;光子計數(shù)能譜CT重建算法與系統(tǒng)優(yōu)化研究[D];清華大學;2016年

相關(guān)碩士學位論文 前10條

1 楊靜芝;光學斷層成像的算法研究[D];蘇州大學;2015年

2 張倩;三維生物發(fā)光斷層成像系統(tǒng)搭建與算法研究[D];南京航空航天大學;2014年

3 金晨;基于L_1正則化的X射線發(fā)光斷層成像研究[D];西北大學;2015年

4 寧楠楠;自發(fā)熒光斷層成像模態(tài)融合與光源定位算法研究[D];哈爾濱理工大學;2014年

5 譚思晴;靜態(tài)數(shù)字乳腺斷層成像系統(tǒng)結(jié)構(gòu)設(shè)計與仿真研究[D];廣東工業(yè)大學;2016年

6 高娜娜;數(shù)字電極式電阻抗成像技術(shù)研究[D];天津科技大學;2015年

7 張值豪;基于反向傳播算法的超聲斷層成像重建方法研究[D];哈爾濱工業(yè)大學;2016年

8 高鵬;高精度錐束X射線發(fā)光斷層成像關(guān)鍵問題研究[D];第四軍醫(yī)大學;2016年

9 劉高;在體小動物光學分子斷層成像系統(tǒng)設(shè)計與實現(xiàn)[D];南京航空航天大學;2016年

10 董芳;結(jié)合區(qū)域收縮與稀疏先驗的熒光分子斷層成像重建算法研究[D];西北大學;2016年

，

本文編號：2172968