CN101664583A - 基于cuda的剂量计算优化方法和系统 - Google Patents

基于cuda的剂量计算优化方法和系统 Download PDF

Info

Publication number
CN101664583A
CN101664583A CN200910190122A CN200910190122A CN101664583A CN 101664583 A CN101664583 A CN 101664583A CN 200910190122 A CN200910190122 A CN 200910190122A CN 200910190122 A CN200910190122 A CN 200910190122A CN 101664583 A CN101664583 A CN 101664583A
Authority
CN
China
Prior art keywords
data
processing unit
display processing
dosage
calculation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN200910190122A
Other languages
English (en)
Other versions
CN101664583B (zh
Inventor
卿侯
曹炜
崔智�
刘启平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haibo Technology Co Ltd Shenzhen
Original Assignee
Haibo Technology Co Ltd Shenzhen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Haibo Technology Co Ltd Shenzhen filed Critical Haibo Technology Co Ltd Shenzhen
Priority to CN2009101901220A priority Critical patent/CN101664583B/zh
Publication of CN101664583A publication Critical patent/CN101664583A/zh
Priority to PCT/CN2010/076684 priority patent/WO2011029381A1/zh
Application granted granted Critical
Publication of CN101664583B publication Critical patent/CN101664583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种基于CUDA的剂量计算优化方法，包括：中央处理单元将剂量计算可以并行计算部分的数据下发给显示处理单元；显示处理单元对接收的数据按照预定算法进行并行计算；显示处理单元将计算结果返回。本发明还公开了一种基于CUDA的剂量计算优化系统。本发明利用GPU硬件能提供更高的计算加速比，将可以并行计算的部分下发给GPU进行计算，充分发挥GPU并行计算的优势，有效提高了计算速度。

Description

基于CUDA的剂量计算优化方法和系统
技术领域
本发明涉及计算优化技术，尤其涉及一种基于CUDA的剂量计算优化方法和系统。
背景技术
在三维立体放射治疗系统中，在治疗前需要模拟得到放射剂量的分布数据，以对潜在的治疗效果进行评估。该系统因此具有治疗规划系统以进行治疗前的剂量模拟。
治疗规划系统在模拟当中需要在不同照射角度下进行3D剂量场的计算，而在单个照射角度下又要对很多个放射源(对于多源放疗设备)下的剂量数据进行叠加。这些计算的运算量非常巨大，其中还涉及到大量的图像和轮廓数据的调用以及查表运算等。目前是利用CPU技术对3D剂量场进行计算，由于CPU的串行运算机制，对于处理大量数据运算来说，其速度是比较慢的。虽然计算机市场长期以来CPU处理器速度稳步上升并出现多核处理器，但是对于3D剂量场的计算来说，成本增加而计算速度提高有限的问题一直没有得到解决。
发明内容
本发明要解决的技术问题是提供一种能有效提高速度的基于CUDA的剂量计算优化方法和系统
本发明的技术问题通过以下技术方案加以解决：
一种基于CUDA的剂量计算优化方法，包括：中央处理单元将剂量计算可以并行计算部分的数据下发给显示处理单元；显示处理单元对接收的数据按照预定算法进行并行计算；显示处理单元将计算结果返回。
上述中央处理单元将剂量计算可以并行计算部分的数据下发给显示处理单元包括：将图像和轮廓数据下发到显示处理单元的纹理存储器；将剂量计算用到的表数据以及网格数据下发到显示处理单元的常量存储器；将剂量计算用到的网格数据下发到显示处理单元的全局存储器。
上述显示处理单元对接收的数据按照预定算法进行并行计算还包括：根据所述图像、轮廓数据和所述网格数据计算网格点的坐标；根据所述坐标和轮廓数据以及所述表数据按照所述预定算法计算网格点的剂量；所述显示处理单元将计算结果返回包括将所述网格点的剂量返回的过程。
上述显示处理单元对接收的数据按照预定算法进行并行计算还包括：将计算得出的所述网格点的坐标和剂量存储在显示处理单元的全局内存中；所述显示处理单元将计算结果返回通过读取所述全局内存而获得所述网格点的坐标和剂量来实现。
基于CUDA的剂量计算优化系统，包括中央处理单元和显示处理单元；所述中央处理单元用于将剂量计算可以并行计算部分的数据下发给所述显示处理单元；所述显示处理单元对接收的数据按照预定算法进行并行计算，并将计算结果返回。
上述剂量计算可以并行计算部分的数据是指网格点的剂量计算数据。
上述显示处理单元包括纹理存储器、常量存储器和全局存储器，所述纹理存储器用于接收和存储所述中央处理单元下发的图像和轮廓数据；所述常量存储器用于接收和存储所述中央处理单元下发的剂量计算用到的表数据；所述全局存储器用于接收和存储网格数据。
上述显示处理单元还包括处理器，用于根据所述纹理存储器存储的所述图像、轮廓数据和所述常量存储器存储的所述表数据，以及所述全局存储器存储的网格数据计算网格点的坐标；根据所述坐标和轮廓数据以及所述表数据按照所述预定算法计算网格点的剂量；所述显示处理单元还用于将所述网格点的剂量返回。
上述显示处理单元还包括全局内存，用于存储计算得出的所述网格点的坐标和剂量；所述中央处理单元还用于通过读取所述全局内存而获得所述网格点的坐标和剂量。
本发明与现有技术相比较的有益效果是：
(1)本发明利用GPU硬件能提供更高的计算加速比，将可以并行计算的部分下发给GPU进行计算，充分发挥GPU并行计算的优势，有效提高了计算速度；
(2)本发明将网格点的计算作为可以并行计算的部分，是针对网格点的剂量互相之间无耦合性之特点，能更好地发挥GPU并行计算的优势；
(3)本发明将图像和轮廓数据放入纹理存储器中，这些数据量大，读取频繁，而纹理存储器的访问可以采用其快速纹理拾取的特性而得到加速；将表数据放入常量存储器中也正是利用GPU访问该缓存速度快的特点；
(4)本发明实现简单，成本低廉，加速效果显著。
附图说明
图1是本发明系统具体实施方式结构示意图；
图2是本发明方法一种具体实施方式剂量计算流程图；
图3是本发明方法一种具体实施方式剂量计算示意图；
图4是本发明方法一种具体实施方式并行计算流程图。
具体实施方式
下面用具体实施方式结合附图对本发明做进一步详细说明。
CUDA(Compute Unified Device Architecture：计算统一设备架构)，是一种由NVIDIA公司推出的通用并行计算架构，这个架构可以使用GPU(Graphics Processing Unit：显示处理单元)来解决商业、工业以及科学方面的复杂计算问题。它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。开发人员现在可以使用C语言来为CUDA架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA的处理器上以超高性能运行。
CUDA是一个完整的GPGPU(General Purpose GPU：通用GPU)解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。在架构上采用了一种全新的计算体系结构来使用GPU提供的硬件资源，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。CUDA采用C语言作为编程语言提供大量的高性能计算指令开发能力，使开发者能够在GPU的强大计算能力的基础上建立起一种效率更高的密集数据计算解决方案。
GPU高性能计算时，并不能直接读取CPU内存数据，因此计算时需要将CPU的内存数据拷贝到显卡内存中。
本发明基于CUDA剂量优化系统，其具体实施方式，如图1所示，包括：CPU(Central Processing Unit：中央处理单元)和GPU；该CPU用于将剂量计算可以并行计算部分的数据下发给该GPU；GPU对接收的数据按照预定算法进行并行计算，并将计算结果返回。
剂量计算可以并行计算部分的数据是指网格点的剂量计算数据。
GPU包括纹理存储器和常量存储器，该纹理存储器用于接收和存储所述CPU下发的图像和轮廓数据；常量存储器用于接收和存储CPU下发的剂量计算用到的表数据，以及用于接收和存储网格数据的全局存储器，网格数据包括网格的大小、密度和参考点的空间位置。表数据包括OF(OutputFactor：输出因子)、OAR(Off Axis Ratio：离轴比)等剂量计算需要的必要数据。本实施方式中，该纹理存储器和常量存储器可以实现为Cache(高速缓存)。
GPU还包括处理器，用于根据纹理存储器存储的图像、轮廓数据和常量存储器存储的表数据，以及全局存储器存储的网格数据计算网格点的坐标；根据坐标和轮廓数据以及表数据按照预定算法计算网格点的剂量；GPU还用于将网格点的剂量返回。
GPU还包括全局内存，用于存储计算得出的网格点的坐标和剂量；GPU还用于通过读取所述全局内存而获得所述网格点的坐标和剂量。
本发明基于CUDA的剂量计算优化方法，其一种具体实施方式，包括：CPU将剂量计算可以并行计算部分的数据下发给GPU；GPU对接收的数据按照预定算法进行并行计算；GPU将计算结果返回。
剂量计算可以并行计算部分的数据是指网格点的剂量计算数据。
CPU将剂量计算可以并行计算部分的数据下发给GPU包括：将图像和轮廓数据下发到GPU的纹理存储器；将剂量计算用到的表数据下发到GPU的常量存储器；将网格数据下发给GPU的全局存储器。
GPU对接收的数据按照预定算法进行并行计算还包括：根据图像、轮廓数据和网格数据计算网格点的坐标；根据坐标和轮廓数据以及表数据按照预定算法计算网格点的剂量；GPU将计算结果返回包括将所述网格点的剂量返回的过程。
GPU对接收的数据按照预定算法进行并行计算还包括：将计算得出的网格点的坐标和剂量存储在显示处理单元的全局内存中；GPU将计算结果返回通过读取全局内存而获得所述网格点的坐标和剂量来实现。
本发明方法的另一种具体实施方式，其剂量计算的流程如图2所示，包括以下步骤：
步骤201：用户交互设定一个3D计算网格，大小为M×M×N。M的取值范围为[32，256]，N的取值一般比较大，通常大于100；
步骤202：用户设定旋转照射的范围[0°，360°]；
步骤203：用户将整个旋转照射划分为若干个小的静态照射，即选择一个计算的角度间隔Delta，比如为10°；
步骤204：在每个照射角度，计算每个放射源形成的3D剂量场，即计算每个照射源在上述3D计算网格点上的剂量。将所有放射源(源的数目一般在18～34之间)形成的3D剂量场叠加则得到某个照射角度的3D剂量场；
计算在某个照射角度某个照射源形成的3D剂量场时，需要计算该照射源对上述3D计算网格每个网格点的剂量，其计算方法如图3所示：
S01：连接源S与照射中心点O，得到线段SO；(对所有各点统一进行一次)
S02：计算源S到体表的距离SSD。(对所有各点统一进行一次)
S03：计算点P在空间线段SO上的投影点P’(对每个点都进行计算)；
S04：计算点P和P’点的距离，即离轴距x。
S05：计算点P’到体表的距离，即深度d；d＝SAD-SSD-OP’。
S06：利用公式(1)(2)计算点P’的剂量(率)，再用公式(3)(4)计算点P的剂量(率)。
P’_DOSE_A(d，SAD，A)＝M×K×Table_A(d，r)                          (1)
P’_DOSE_B(d，SSD，A)＝M×K×Table_A(d，r)×[SAD/(SSD+d)]2          (2)
P_DOSE_A(d，SAD，A，x)＝P’_DOSE_A(d，SAD，A)×Table_B(d，SAD，A，x)(3)
P_DOSE_B(d，SSD，A，x)＝P’_DOSE_A(d，SSD，A)×Table_B(d，SAD，A，x)(4)
由以上流程中可以看出，在进行剂量计算时要用到大量的图像轮廓数据以及表格数据，在CPU运算中需对每个网格点都要进行运算，这对于进行串行运算的处理器来说需要花费很多的时间。实验中应用现有技术对[21×128×128]的3D剂量场进行剂量计算，包括画出剂量线的总时间共需要为5分钟
对该3D剂量场计算流程进行分析，可以发现其具有很好的可并行性，即每个计算网个格点的剂量计算几乎都是独立进行的。基于这一点，本实施方法使用市场主流的可编程图形硬件对剂量计算进行加速。通过将上述剂量计算算法流程进行流式映射，并利用基于CUDA的图形硬件上的多个处理器进行并行计算，对3D剂量场计算进行加速。
本实施方式具体的实施环境是：Intel(R)Core(TM)2Duo CPU，E45002.20GHz 2.19GHz，1Gbneicun；NVIDIA GeForce 8600GT，显存：256M。
编程得到NVIDIA GeForce 8600GT显卡上的CUDA信息如表1所示：
  名称   GeForce 8600GT
  totalGlobalmemory   268107776Bytes
  sharedMemPerBlock   16384Bytes
  warpSize   32
  memPitch   262144
  maxThreadsPerBlock   512
  maxThreadsDim   x 512，y 512，z 64
  maxGridSize   x 65535，y 65535，z 65535
  totalConstMem   65535Bytes
  cloockRate   1188000
  textureAlignment   256
表1
本实施方式利用CUDA技术对步骤204的网格点的剂量进行并行计算，在计算之前需要把各种要用到的数据合理分配到GPU显存中，以达到最大的加速，其流程如图4所示，包括以下步骤：
步骤401：分析算法流程知道原算法最耗时间的是源皮距深度的计算，对于每个网格点的剂量计算来说，都要用到经扩展后的图像和轮廓数据，这些数据量是巨大的，读取并进行循环计算需要花费大量的时间。因此，可将其放进显卡GPU的纹理存储器Texture Memory中，该纹理存储器满足存储需要，而其也具有快速纹理拾取的特性；
步骤402：剂量算法中要用到查表运算，这些表为一些测量数据，但该表数据量大，查找相对耗费时间。而实际中知道，在机器设定以后，要用到的表格数据不变，因此可将其放入GPU常量存储器Constant Memory中，GPU读取常量存储器数据的速度也相对较快；
步骤403：下发网格数据到GPU的全局存储器中；
步骤404：GPU处理器并行计算网格3D剂量场，3D剂量场尺寸较大[256×256×200]，可将其网格点的坐标数据直接放入GPU全局内存GlobalMemory中，从表1的系统资源中看出设备Global Memory的大小为268107776bytes，而3D剂量场尺寸大小256×256×200bytes，不考虑其他数据需要，这样全局内存可以存放大约20个3D剂量场，这样就可以在小范围内调整动态的剂量场参数。
应该注意，本实施方式的步骤401-403的顺序是为示例之目的，可以改变顺序。
本实施方式的实施过程中，充分利用显卡的资源，深层次利用CUDA技术。从最终效果来看，在相同的其他条件下，本实施方式相比现有技术在速度方面提高将近5倍。而由于目前在同类支持CUDA技术的显卡中，本实施方式用到的显卡硬件性能相对比较低，相信在有更好的图形硬件支持，其加速性能会有更大的提高。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于CUDA的剂量计算优化方法，其特征在于，包括：
中央处理单元将剂量计算可以并行计算部分的数据下发给显示处理单元；
显示处理单元对接收的数据按照预定算法进行并行计算；
显示处理单元将计算结果返回。
2.如权利要求1所述的方法，其特征在于，其中所述剂量计算可以并行计算部分的数据是指网格点的剂量计算数据。
3.如权利要求1所述的方法，其特征在于，所述中央处理单元将剂量计算可以并行计算部分的数据下发给显示处理单元包括：
将图像和轮廓数据下发到显示处理单元的纹理存储器；
将剂量计算用到的表数据下发到显示处理单元的常量存储器；
将剂量计算用到的网格数据下发到显示处理单元的全局存储器。
4.如权利要求3所述的方法，其特征在于，所述显示处理单元对接收的数据按照预定算法进行并行计算还包括：
根据所述图像、轮廓数据和所述网格数据计算网格点的坐标；
根据所述坐标和轮廓数据以及所述表数据按照所述预定算法计算网格点的剂量；
所述显示处理单元将计算结果返回包括将所述网格点的剂量返回的过程。
5.如权利要求4所述的方法，其特征在于，所述显示处理单元对接收的数据按照预定算法进行并行计算还包括：将计算得出的所述网格点的坐标和剂量存储在显示处理单元的全局内存中；所述显示处理单元将计算结果返回通过读取所述全局内存而获得所述网格点的坐标和剂量来实现。
6.一种基于CUDA的剂量计算优化系统，其特征在于，包括中央处理单元和显示处理单元；所述中央处理单元用于将剂量计算可以并行计算部分的数据下发给所述显示处理单元；所述显示处理单元对接收的数据按照预定算法进行并行计算，并将计算结果返回。
7.如权利要求6所述的系统，其特征在于，其中所述剂量计算可以并行计算部分的数据是指网格点的剂量计算数据。
8.如权利要求6所述的系统，其特征在于，所述显示处理单元包括纹理存储器、常量存储器和全局存储器，所述纹理存储器用于接收和存储所述中央处理单元下发的图像和轮廓数据；所述常量存储器用于接收和存储所述中央处理单元下发的剂量计算用到的表数据；所述全局存储器用于接收和存储网格数据。
9.如权利要求8所述的系统，其特征在于，所述显示处理单元还包括处理器，用于根据所述纹理存储器存储的所述图像、轮廓数据，以及所述常量存储器存储的所述表数据，以及所述全局存储器存储的网格数据计算网格点的坐标；根据所述坐标和轮廓数据以及所述表数据按照所述预定算法计算网格点的剂量；所述显示处理单元还用于将所述网格点的剂量返回。
10.如权利要求9所述的系统，其特征在于，所述显示处理单元还包括全局内存，用于存储计算得出的所述网格点的坐标和剂量；所述中央处理单元还用于通过读取所述全局内存而获得所述网格点的坐标和剂量。
CN2009101901220A 2009-09-09 2009-09-09 基于cuda的剂量计算优化方法和系统 Active CN101664583B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN2009101901220A CN101664583B (zh) 2009-09-09 2009-09-09 基于cuda的剂量计算优化方法和系统
PCT/CN2010/076684 WO2011029381A1 (zh) 2009-09-09 2010-09-07 基于cuda的剂量计算优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009101901220A CN101664583B (zh) 2009-09-09 2009-09-09 基于cuda的剂量计算优化方法和系统

Publications (2)

Publication Number Publication Date
CN101664583A true CN101664583A (zh) 2010-03-10
CN101664583B CN101664583B (zh) 2012-05-09

Family

ID=41801460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009101901220A Active CN101664583B (zh) 2009-09-09 2009-09-09 基于cuda的剂量计算优化方法和系统

Country Status (2)

Country Link
CN (1) CN101664583B (zh)
WO (1) WO2011029381A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101954148A (zh) * 2010-09-15 2011-01-26 四川大学 放射治疗中基于gpu的剂量计算加速方法
CN101968830A (zh) * 2010-09-29 2011-02-09 四川大学 利用gpu加速确定电子束剂量的方法
WO2011029381A1 (zh) * 2009-09-09 2011-03-17 深圳市海博科技有限公司 基于cuda的剂量计算优化方法和系统
CN102201036A (zh) * 2011-05-16 2011-09-28 四川大学 Gpu加速剂量计算中微分卷积积分算法的实现
CN102253919A (zh) * 2011-05-25 2011-11-23 中国石油集团川庆钻探工程有限公司 基于gpu和cpu协同运算的并行数值模拟方法和系统
CN102681903A (zh) * 2011-03-15 2012-09-19 深圳光启高等理工研究院 一种数据处理方法
CN102682138A (zh) * 2011-03-15 2012-09-19 深圳光启高等理工研究院 一种数据处理方法
CN103425875A (zh) * 2013-07-29 2013-12-04 南京航空航天大学 一种光子束在目标体内剂量分布的快速获取方法
CN104836970A (zh) * 2015-03-27 2015-08-12 北京联合大学 基于gpu实时视频处理的多投影融合方法和系统
CN107843913A (zh) * 2017-10-25 2018-03-27 中广核核电运营有限公司 辐射场的3d显示方法和装置
CN109979565A (zh) * 2019-03-08 2019-07-05 广州瑞多思医疗科技有限公司 一种基于cuda的剂量计算优化方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104121942A (zh) * 2014-07-08 2014-10-29 哈尔滨工业大学 基于GPU和openCV图像处理的汽车仪表自动检测装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6477221B1 (en) * 2001-02-16 2002-11-05 University Of Rochester System and method for fast parallel cone-beam reconstruction using one or more microprocessors
US6852081B2 (en) * 2003-03-13 2005-02-08 Siemens Medical Solutions Usa, Inc. Volume rendering in the acoustic grid methods and systems for ultrasound diagnostic imaging
US7219085B2 (en) * 2003-12-09 2007-05-15 Microsoft Corporation System and method for accelerating and optimizing the processing of machine learning techniques using a graphics processing unit
JP4294610B2 (ja) * 2005-04-14 2009-07-15 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 放射線ｃｔ装置、データ収集装置及びデータ収集方法
TR200604106A2 (tr) * 2006-08-03 2007-10-22 T�BlTAK-TURKlYE BiLiMSEL VE TEKNOLOJiK ARA�TIRMA KURUMU Grafik işlemci biriminin (GPU) suç biliminde kullanılabilecek izlerin incelenmesinde kullanıldığı bir sistem.
CN101664583B (zh) * 2009-09-09 2012-05-09 深圳市海博科技有限公司 基于cuda的剂量计算优化方法和系统

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011029381A1 (zh) * 2009-09-09 2011-03-17 深圳市海博科技有限公司 基于cuda的剂量计算优化方法和系统
CN101954148A (zh) * 2010-09-15 2011-01-26 四川大学 放射治疗中基于gpu的剂量计算加速方法
CN101968830A (zh) * 2010-09-29 2011-02-09 四川大学 利用gpu加速确定电子束剂量的方法
CN102682138B (zh) * 2011-03-15 2015-03-11 深圳光启高等理工研究院 一种数据处理方法
CN102681903A (zh) * 2011-03-15 2012-09-19 深圳光启高等理工研究院 一种数据处理方法
CN102682138A (zh) * 2011-03-15 2012-09-19 深圳光启高等理工研究院 一种数据处理方法
CN102681903B (zh) * 2011-03-15 2014-11-26 深圳光启高等理工研究院 一种数据处理方法和系统
CN102201036A (zh) * 2011-05-16 2011-09-28 四川大学 Gpu加速剂量计算中微分卷积积分算法的实现
CN102253919A (zh) * 2011-05-25 2011-11-23 中国石油集团川庆钻探工程有限公司 基于gpu和cpu协同运算的并行数值模拟方法和系统
CN103425875A (zh) * 2013-07-29 2013-12-04 南京航空航天大学 一种光子束在目标体内剂量分布的快速获取方法
CN104836970A (zh) * 2015-03-27 2015-08-12 北京联合大学 基于gpu实时视频处理的多投影融合方法和系统
CN104836970B (zh) * 2015-03-27 2018-06-15 北京联合大学 基于gpu实时视频处理的多投影融合方法和系统
CN107843913A (zh) * 2017-10-25 2018-03-27 中广核核电运营有限公司 辐射场的3d显示方法和装置
CN107843913B (zh) * 2017-10-25 2019-07-02 中广核核电运营有限公司 辐射场的3d显示方法和装置
CN109979565A (zh) * 2019-03-08 2019-07-05 广州瑞多思医疗科技有限公司 一种基于cuda的剂量计算优化方法及装置

Also Published As

Publication number Publication date
CN101664583B (zh) 2012-05-09
WO2011029381A1 (zh) 2011-03-17

Similar Documents

Publication Publication Date Title
CN101664583B (zh) 基于cuda的剂量计算优化方法和系统
Pratx et al. GPU computing in medical physics: A review
Dai et al. FPGP: Graph processing framework on FPGA a case study of breadth-first search
Pabst et al. Fast and scalable cpu/gpu collision detection for rigid and deformable surfaces
US9355492B2 (en) System, method, and computer program product for utilizing a wavefront path tracer
Tang et al. Collision-streams: Fast GPU-based collision detection for deformable models
Hissoiny et al. A convolution‐superposition dose calculation engine for GPUs
Pirk et al. Accelerating Foreign-Key Joins using Asymmetric Memory Channels.
Persoon et al. A fast three‐dimensional gamma evaluation using a GPU utilizing texture memory for on‐the‐fly interpolations
Nakasato Implementation of a parallel tree method on a GPU
Rui et al. Join algorithms on GPUs: A revisit after seven years
Mu et al. Higher order method of moments with a parallel out-of-core LU solver on GPU/CPU platform
CN101954148A (zh) 放射治疗中基于gpu的剂量计算加速方法
Chen et al. Flow-guided file layout for out-of-core pathline computation
Emeliyanov et al. GPU-based tracking algorithms for the ATLAS high-level trigger
Salmon et al. Exploiting hardware-accelerated ray tracing for Monte Carlo particle transport with OpenMC
Gross et al. Fast and Efficient Nearest Neighbor Search for Particle Simulations.
Nocentino et al. Optimizing memory access on GPUs using morton order indexing
Holey et al. HAccRG: Hardware-accelerated data race detection in GPUs
Viitanen et al. MergeTree: A fast hardware HLBVH constructor for animated ray tracing
CN104298871A (zh) 一种辐射防护中基于gpu加速的体素人体模型剂量评估加速方法
Dharma et al. Material point method based fluid simulation on GPU using compute shader
Simek et al. Towards accelerated computation of atmospheric equations using CUDA
Zhang et al. Cpu-gpu hybrid parallel binomial american option pricing
Gao et al. Accelerate smoothed particle hydrodynamics using GPU

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant