CN102122323A - 基于GPU的Gamma分析方法的快速实现 - Google Patents

基于GPU的Gamma分析方法的快速实现 Download PDF

Info

Publication number
CN102122323A
CN102122323A CN 201110040992 CN201110040992A CN102122323A CN 102122323 A CN102122323 A CN 102122323A CN 201110040992 CN201110040992 CN 201110040992 CN 201110040992 A CN201110040992 A CN 201110040992A CN 102122323 A CN102122323 A CN 102122323A
Authority
CN
China
Prior art keywords
gpu
gamma
calculating
analysis method
dosage
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.)
Pending
Application number
CN 201110040992
Other languages
English (en)
Inventor
刘乐乐
侯氢
勾成俊
吴章文
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN 201110040992 priority Critical patent/CN102122323A/zh
Publication of CN102122323A publication Critical patent/CN102122323A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公开一种对放射治疗计划的剂量学验证中Gamma分析方法加速实现的方法。与常规方法不同之处在于：结合CPU处理数据的读取，逻辑处理和输出工作，使用图形处理器（Graphic Processor Unit，GPU）处理放射治疗计划的剂量学验证中Gamma分析方法过程存在的体元细化和基于细化体元剂量的Gamma因子计算这个过程，这整个过程都存在数据量大、数据相关性低、数据有相同的执行程序，并行度和计算密度高等特点。通过GPU,让更多的计算单元同时的并行执行，缩短了运算时间，使Gamma分析方法的效率更高，提高了剂量学验证的速率。

Description

基于GPU的Gamma分析方法的快速实现
技术领域
本发明涉及放射治疗计划的剂量学验证中Gamma分析方法，具体来说，涉及放射治疗计划的剂量学验证中Gamma因子计算的加速技术。
背景技术
调强放射治疗（IMRT）等新技术逐渐应用到现代临床放射治疗中，但由于这些新技术实施起来比较复杂，易产生不同程度的偏差，因此，为保证病人的治疗安全，治疗前的剂量学验证是非常必要的。
目前有多种手段或方法，进行调强剂量学的验证，但最主要采用的有三种：一是绝对剂量验证，指测量体模内靶区参考点(一般是射野等中心点)的剂量与计划计算的该参考点的剂量相比较；二是相对剂量验证，指测量一个治疗计划在体模内单个射野的剂量分布或所有射野在体模内形成的复合剂量分布与相应的计划计算剂量分布相比较；三是计划算法验证，指采用已验证过的，计算更为精确的算法，如蒙特卡洛算法，重新计算人体内的剂量分布与治疗计划的剂量分布相比较。
Gamma分析方法是相对剂量验证中最常用的一种方法，该方法引入了γ因子的概念，假定γ                                                1，则该点通过验证，即计划中的该点，它的计划计算剂量和实际测量剂量的偏差在剂量误差标准范围内，同时距离偏差也在距离误差标准范围内。Gamma分析方法虽然简单，但由于计算剂量的各个体元间的空间距离一般大于距离误差标准，在低剂量梯度区计算Gamma因子时易产生较大偏差，为解决上述问题，一般采用对计算剂量体元分布进行细化的方法，为获得各个细化体元的计算剂量，又需要对它最近邻体元进行剂量插值，这使整个处理过程消耗掉大量的时间。
GPU（Graphic Processor Unit，图像处理器）最初是用于计算机图像显示和渲染的计算机元件,近年来，可编程GPU在并行计算方面引起了各界的关注。GPU由多个SM（Stream Multiprocessor，流多处理器）组成,每个SM又包含8个SP（Stream Processor，标量流处理器），每个SM在4个时钟周期时间内可以处理32个线程，即SM的8个SP将一条指令执行4遍，所以GPU适合那些用相同程序并行处理大量数据的计算。特别是，NVIDIA于2007年6月推出的CUDA（Compute Unified Device Architecture，统一计算设备构架），每个SM增加了一个共享存储器（Shared Memory），支持了线程间的通信，更加适用于高密集度数据运算。本发明正是利用可编程GPU的这种特性，对放射治疗计划的剂量学验证中Gamma分析方法进行加速的。
发明内容
本发明针对放射治疗计划的剂量学验证中Gamma分析方法在体元剂量插值这个处理过程中存在的数据量大、数据相关性低、数据有相同的执行程序，并行度和算术计算密集性高等特点，运用GPU实现了一种对Gamma分析方法加速。它与常规方法不同之处在于：采用了CPU处理数据的读取，逻辑处理和输出工作，GPU处理具有高并行度的Gamma因子计算的问题。即在求细化体元剂量的过程中对于体元剂量的插值，不使用CPU对每个细化体元依次进行插值运算获得最终的细化体元剂量，而采用GPU，使一个线程块对应一个体元，一个线程ID对应一次插值和一次Gamma因子的计算，同时对多个线程块并行执行，这样使得运算时间大大减少。
附图说明
附图1是GPU加速倍数的比较图。图中，横坐标表示体元个数，单位为个；纵坐标表示加速倍数，单位为倍；点和叉表示使用GPU（是否包含数据拷贝时间）相对完全使用CPU执行时间提高的倍数。
具体实施方式
Gamma因子在测量点 处的定义为：
Figure 338956DEST_PATH_IMAGE003
               （1）
其中，
Figure 183415DEST_PATH_IMAGE004
 为计算剂量的空间分布位置：
Figure 135191DEST_PATH_IMAGE005
      （2）
上式中，
Figure 607760DEST_PATH_IMAGE006
             （3）
表示计算点和测量点的空间距离；
Figure 111423DEST_PATH_IMAGE007
           （4）
表示计划计算剂量和实际测量剂量的差值；
其中，
Figure 36654DEST_PATH_IMAGE008
为等剂量点的距离误差标准；
Figure 792120DEST_PATH_IMAGE009
为剂量误差标准； 
Figure 525721DEST_PATH_IMAGE010
在点 
Figure 810072DEST_PATH_IMAGE004
处的计算剂量；
Figure 753757DEST_PATH_IMAGE011
在点
Figure 516176DEST_PATH_IMAGE002
 处的测量剂量。
在用GPU计算Gamma因子的过程中，一个线程块对应一个体元，一个线程ID对应一次插值，通过插值获得细化体元的计划计算剂量，然后再用上述公式计算得出Gamma因子，这样就可以把在CPU中需要对每个细化体元依次插值执行的程序，转变为多个体元并行执行。
选取一个人头颈部的体模测试上述过程的加速结果，实验中所采用的硬件配置如下：CPU为Intel(R) Xeon(R)E5430 2.66GHz;内存为8.0GB；GPU为NVIDIA Tesla C1060；操作系统为Windows XP Professional x64 Edition；开发工具为Microsoft Visual Studio 2008，采用CUDA语言为GPU编程。表1中，TCPU表示Gamma因子在CPU上计算消耗的时间；TGPU表示Gamma因子用GPU计算消耗的时间（包括核函数执行时间和数据拷贝时间）；T* GPU表示核函数的执行时间；TCPU / TGPU 、TCPU / T* GPU表示使用GPU相对完全运用CPU执行时间的提高倍数。
表1  GPU加速倍数比较
voxels 132651 274625 389017 531441 658503 857375 1030301
TCPU/ TGPU 21.775 21.500 21.409 20.844 20.091 21.226 21.506
TCPU/ T* GPU 21.847 21.535 21.434 20.871 20.112 21.243 21.530
表1和附图1所示测试结果，通过使用GPU的并行运行机制，Gamma分析方法执行速度明显提高。由于GPU和CPU的存储器是相对独立的，它们相互之间不能直接访存，必须先将数据传输到当前设备下才能进行处理，这要消耗一定的时间，但当数据较大时数据拷贝时间对最后的加速结果无明显影响。以上实验测得的数据，说明本发明使得Gamma分析方法所需的时间大大减少，为临床的剂量学验证节省了时间，提高了放射治疗的效率。

Claims (4)

1.一种用于改善放射治疗计划的剂量学验证中Gamma分析方法速度的举措，其特征在于, 使用了GPU进行Gamma因子的计算。
2.根据权利要求1所述的用于改善放射治疗计划的剂量学验证中Gamma分析方法速度的举措，其特征在于：把原有的计划计算剂量分布进行细化，用线性插值法求每个细化体元的剂量，这个过程在GPU上完成。
3.根据权利要求1所述的用于改善放射治疗计划的剂量学验证中Gamma分析方法速度的举措，其特征在于：基于求得的细化体元的剂量，计算Gamma因子，这个过程也在GPU上完成。
4.根据权利要求2和权利要求3所述的所述的GPU加速举措，其特征在于：一个线程块对应一个测量体元，一个线程ID对应一次插值和一次Gamma因子的计算。
CN 201110040992 2011-02-21 2011-02-21 基于GPU的Gamma分析方法的快速实现 Pending CN102122323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110040992 CN102122323A (zh) 2011-02-21 2011-02-21 基于GPU的Gamma分析方法的快速实现

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110040992 CN102122323A (zh) 2011-02-21 2011-02-21 基于GPU的Gamma分析方法的快速实现

Publications (1)

Publication Number Publication Date
CN102122323A true CN102122323A (zh) 2011-07-13

Family

ID=44250881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110040992 Pending CN102122323A (zh) 2011-02-21 2011-02-21 基于GPU的Gamma分析方法的快速实现

Country Status (1)

Country Link
CN (1) CN102122323A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091693A (zh) * 2013-01-14 2013-05-08 中国科学院合肥物质科学研究院 一种基于二维平面剂量判断医用直线加速器稳定性的方法
CN104298871A (zh) * 2014-10-09 2015-01-21 中国科学院合肥物质科学研究院 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
CN112618967A (zh) * 2020-12-17 2021-04-09 程明霞 一种调整放疗剂量分布并生成相应放疗计划的装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040104917A1 (en) * 2002-12-03 2004-06-03 Platt John C. Alpha correction to compensate for lack of gamma correction
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040104917A1 (en) * 2002-12-03 2004-06-03 Platt John C. Alpha correction to compensate for lack of gamma correction
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《中国医学物理学杂志》 20060531 陈炳周等 放射治疗中剂量比较的主要方法及应用分析 166-169 1-4 第23卷, 第3期 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091693A (zh) * 2013-01-14 2013-05-08 中国科学院合肥物质科学研究院 一种基于二维平面剂量判断医用直线加速器稳定性的方法
CN103091693B (zh) * 2013-01-14 2017-02-08 中国科学院合肥物质科学研究院 一种基于二维平面剂量判断医用直线加速器稳定性的方法
CN104298871A (zh) * 2014-10-09 2015-01-21 中国科学院合肥物质科学研究院 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
CN112618967A (zh) * 2020-12-17 2021-04-09 程明霞 一种调整放疗剂量分布并生成相应放疗计划的装置
CN112618967B (zh) * 2020-12-17 2024-03-15 程明霞 一种调整放疗剂量分布并生成相应放疗计划的装置

Similar Documents

Publication Publication Date Title
Livesey et al. Development of a CUDA implementation of the 3D FDTD method
Souris et al. Fast multipurpose Monte Carlo simulation for proton therapy using multi‐and many‐core CPU architectures
De Greef et al. Accelerated ray tracing for radiotherapy dose calculations on a GPU
Heinecke et al. From gpgpu to many-core: Nvidia fermi and intel many integrated core architecture
US9916414B2 (en) Apparatus and method for generating test cases for processor verification, and verification device
Hissoiny et al. A convolution‐superposition dose calculation engine for GPUs
Gu et al. GPU-based fast gamma index calculation
Xu et al. ARCHER, a new Monte Carlo software tool for emerging heterogeneous computing environments
Xanthis et al. High performance MRI simulations of motion on multi-GPU systems
US20210267095A1 (en) Intelligent and integrated liquid-cooled rack for datacenters
Parakh et al. Performance estimation of GPUs with cache
Tickner Monte Carlo simulation of X-ray and gamma-ray photon transport on a graphics-processing unit
Pastor-Serrano et al. Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy
CN102122323A (zh) 基于GPU的Gamma分析方法的快速实现
Chang et al. GPU acceleration of nonlinear diffusion tensor estimation using CUDA and MPI
Adam et al. New capabilities of the Monte Carlo dose engine ARCHER‐RT: Clinical validation of the Varian TrueBeam machine for VMAT external beam radiotherapy
Jing et al. GPU-based parallel group ICA for functional magnetic resonance data
KR20210086491A (ko) 딥러닝을 위한 가속기용 프로그램 생성 방법
Okada et al. GPU acceleration of Monte Carlo simulation at the cellular and DNA levels
Yang et al. A performance model for GPU architectures that considers on-chip resources: Application to medical image registration
CN104123119A (zh) 基于gpu的动态视觉测量特征点中心快速定位方法
MA et al. Cuda parallel implementation of image reconstruction algorithm for positron emission tomography
Roeh et al. Accelerating cosmological data analysis with graphics processors
Fenwick et al. GPGPU programming for CS undergraduates: Which one is superman?
Schweitzer et al. Performance evaluation of multithreaded geant4 simulations using an intel xeon phi cluster

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110713