CN102831627A - 一种基于gpu多核并行处理的pet图像重建方法 - Google Patents
一种基于gpu多核并行处理的pet图像重建方法 Download PDFInfo
- Publication number
- CN102831627A CN102831627A CN2012102137654A CN201210213765A CN102831627A CN 102831627 A CN102831627 A CN 102831627A CN 2012102137654 A CN2012102137654 A CN 2012102137654A CN 201210213765 A CN201210213765 A CN 201210213765A CN 102831627 A CN102831627 A CN 102831627A
- Authority
- CN
- China
- Prior art keywords
- value
- voxel
- particle
- pet image
- pet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000002600 positron emission tomography Methods 0.000 title abstract description 67
- 238000012545 processing Methods 0.000 title abstract description 8
- 239000002245 particle Substances 0.000 claims abstract description 95
- 238000012952 Resampling Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 3
- 241001278264 Fernandoa adenophylla Species 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4258—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector for detecting non x-ray radiation, e.g. gamma radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/428—Real-time
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于GPU多核并行处理的PET图像重建方法,包括:(1)对体素进行粒子采样;(2)多核并行求取粒子权重;(3)对粒子进行重采样;(4)求取粒子浓度真值及其权重真值;(5)计算每一体素的体素值。本发明通过利用粒子滤波算法,将PET中噪声的数据模型定为泊松分布而非高斯分布,更符合PET扫描的真实情况,从而使得重建过程中对噪声的过滤和优化更加有效,得到的重建结果比ML-EM等传统重建方法更接近PET真实情况;同时利用GPU多核并行处理技术对重建过程进行加速,将原本需要依次执行的计算转换成同时并行计算的模式,大大地缩短了计算的时间,使得PET图像重建方法能够适合于临床应用要求。
Description
技术领域
本发明属于计算机图像处理技术领域,具体涉及一种基于GPU(图形处理器)多核并行处理的PET图像重建方法。
背景技术
正电子断层成像PET(Positron Emission Tomography),是一种核医学功能成像技术。与CT成像不同,PET为功能成像,能得到病人体内新陈代谢的情况,从而可以比CT、MRI更早地探测出病灶。
经过同位素标记的药物在病人体内扩散的过程中,同位素不断衰变而产生正电子(e+)。正电子与周围的负电子(e-)发生湮灭后,将发出一对光子。这对光子能够穿透人体组织发射到体外,从而被光电探测器探测到。通过探测这对光子,就可以得到一条符合线(LOR)。将若干个探测器排列在病人周围,可以接收发自病人体内的光子,从而得到一系列符合线。这些符合线和体内同位素标记的药物的位置有一定的关系,依据这些符合线,就可以重建出病人体内药物的浓度分布图,即PET图像。
两个毫不相关的光子如果在同一时间窗内被一对探测器探测到,那探测系统将认为这是由一对正负电子湮灭产生的,将它们的连线记录为符合线,这样的记录是假事件,在PET成像中称为随机符合事件。由于以上原因以及病人体内的干扰,PET采集到的数据包含许多噪声,这些噪声直接影响重建后的图像质量。所以,重建算法的鲁棒性(Robust)决定了PET图像的质量,这也是为什么重建算法成为现今PET领域的研究热点。
目前PET重建的方法大致可以分为解析法、迭代法和状态空间法三种:
解析法是以滤波反投影算法(FBP)为代表的一种方法,该算法是基于傅立叶变换来实现由投影数据得到原始数据。但是该算法假设的理想模型并不十分符合PET扫描的真实情况,加之该算法对噪声的抑制能力差,导致滤波反投影算法得到的图像伪影很重,质量很差。
迭代法中以ML-EM(Maximum Likelihood-Expectation Maximum)和MAP(Maximum a Posteriori)算法较为典型。ML-EM算法根据最大似然估计原理,将病人体素(Voxel)浓度作为待估计值、建立似然函数、求得满足一定条件的极大值。MAP算法根据原始数据和PET的统计特性建立后验函数再求其最大值,从而得到体素浓度分布。迭代算法大部分依赖于数据的统计模型,除了统计特性,决定PET图像的还有生理先验、结构先验等信息,而这些信息在统计迭代算法中并不能有效地被利用,这也是ML-EM和MAP的巨大缺陷。
状态空间法能够将PET成像的过程模型化,使其物理过程得到数学的表达,通过状态空间,能很好地把PET扫描中的统计特性、生理特性和结构特性结合起来,从而达到改进重建质量的目的。目前现有的状态空间求解方法为卡尔曼滤波,该方法假设数据分布符合高斯分布,这与PET数据的统计特性不符,所以重建得到的PET图像效果不是很理想,这也是目前困扰着状态空间方法的问题之一。
由于PET扫面得到的数据量大,重建算法复杂,导致重建所花的时间过长,这与临床需求相违背;而传统利用CPU串行计算也会花费相当长的时间,且需要CPU具有超强的计算性能,计算成本很高,故并不能在商业应用领域普及。
发明内容
针对现有技术所存在的上述技术缺陷,本发明提供了一种基于GPU多核并行处理的PET图像重建方法,在保证PET图像重建质量的前提下,大大提升重建的速度。
一种基于GPU多核并行处理的PET图像重建方法,包括如下步骤:
(1)根据体素值的概率分布区间,利用线性平均采样法对PET图像中的每一体素进行粒子采样,获得体素的每一粒子浓度值;
所述的线性平均采样法是通过对体素值的概率分布区间进行(s-1)等分,得到s个节点值,每个节点值即对应为任一体素的每一粒子浓度值,s为粒子采样个数;
(2)根据采集获取到的符合计数向量,利用FBP法求得体素的先验浓度值;根据体素的先验浓度值和粒子浓度值,利用GPU多核并行处理技术通过粒子权重估计算法求得体素每一粒子浓度值对应的粒子权重值;
(3)利用GPU多核并行处理技术对所述的粒子浓度值及其粒子权重值进行重采样,得到重采样后的粒子浓度值及其粒子权重值;
(4)返回步骤(2),并使重采样后的粒子浓度值作为步骤(2)中的粒子浓度值,依此循环直至重采样后的粒子浓度值收敛,将收敛时重采样后的粒子浓度值及其粒子权重值作为粒子浓度真值及其粒子权重真值;
(5)根据所述的粒子浓度真值及其粒子权重真值,利用GPU多核并行处理技术求取PET图像中每一体素的体素值。
所述的粒子权重估计算法基于以下方程表达式:
其中:x[j]为PET图像中第j体素的先验浓度值,y[i]为符合计数向量中的第i符合计数;D(i,j)为系统矩阵中第i行第j列的元素值;x(k)[j]为PET图像中第j体素的第k粒子浓度值,w(k)[j]为x(k)[j]对应的粒子权重值;i、j和k均为自然数,且1≤i≤m,1≤j≤n,1≤k≤s,m为符合计数向量的维度,n为PET图像的体素个数。
系统矩阵D为m×n维矩阵,其与符合计数向量y以及PET图像浓度分布向量x满足关系式y=Dx+e,e为测量噪声,PET图像浓度分布向量x为n维向量,其每个元素值对应PET图像每个体素的体素值,系统矩阵D与探测光子的光电探测器的结构和性能参数有关。
所述的步骤(5)中,通过以下方程表达式求取PET图像中每一体素的体素值:
其中:x(k)*[j]为PET图像中第j体素的第k粒子浓度真值,w(k) *[j]为x(k) *[j]对应的粒子权重真值,x*[j]为PET图像中第j体素的体素值。
所述的GPU多核并行处理技术的计算处理策略如下:
对于向量与标量的乘法或除法,将该计算量映射到个数与向量维数相等的多个内核中,每个内核完成对应向量元素与标量相乘或相除;
对于矩阵与向量的乘法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与其相对应的向量元素相乘,然后对所得到的矩阵的各行再求和;
对于矩阵与标量的乘法或除法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与标量相乘或相除;
对于其余公式的代入计算,则使一个内核对应负责一个公式不同数据的计算。
本发明通过利用粒子滤波算法,将PET中噪声的数据模型定为泊松分布而非高斯分布,更符合PET扫描的真实情况,从而使得重建过程中对噪声的过滤和优化更加有效,得到的重建结果比ML-EM、FBP等传统重建方法更接近PET真实情况;同时利用GPU多核并行处理技术对重建过程进行加速,将原本需要依次执行的计算转换成同时并行计算的模式,大大地缩短了计算的时间,使得PET图像重建方法能够适合于临床应用要求。
附图说明
图1为本发明PET图像重建方法的步骤流程示意图。
图2为Zubal-thorax-phantom数字体模的模型示意图。
图3(a)为关于Zubal-thorax-phantom数字体模采用本发明方法重建后的PET图像。
图3(b)为关于Zubal-thorax-phantom数字体模采用ML-EM方法重建后的PET图像。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的PET图像重建方法进行详细说明。
如图1所示,一种基于GPU多核并行处理的PET图像重建方法,包括如下步骤:
(1)对体素进行粒子采样。
根据体素值的概率分布区间,利用线性平均采样法对PET图像中的每一体素进行粒子采样,获得体素的每一粒子浓度值;
线性平均采样法是通过对体素值的概率分布区间进行(s-1)等分,得到s个节点值,每个节点值即对应为任一体素的每一粒子浓度值,s为粒子采样个数;本实施方式中,s=500。
(2)多核并行求取粒子权重。
首先,根据采集获取到的符合计数向量,利用FBP法求得体素的先验浓度值;
其次,根据PET成像原理,故PET图像的状态空间方程可表示如下:
其中:D为m×n维的系统矩阵,其与探测光子的光电探测器的结构和性能参数有关;y为采集到的符合计数向量,且为m维向量;x为n维的PET图像浓度分布向量,其每个元素值对应PET图像每个体素的体素值;e为测量噪声;xt+1为第(t+1)帧PET图像浓度分布向量,xt为第t帧PET图像浓度分布向量,A为状态矩阵。
根据PET图像的状态空间方程建立粒子权重估计算法的如下方程表达式:
其中:x[j]为PET图像中第j体素的先验浓度值,y[i]为符合计数向量中的第i符合计数;D(i,j)为系统矩阵中第i行第j列的元素值;x(k)[j]为PET图像中第j体素的第k粒子浓度值,w(k)[j]为x(k)[j]对应的粒子权重值;i、j和k均为自然数,且1≤i≤m,1≤j≤n,1≤k≤s,m为符合计数向量的维度,n为PET图像的体素个数。
最后,根据体素的先验浓度值和粒子浓度值,利用GPU多核并行处理技术通过粒子权重估计算法求得体素每一粒子浓度值对应的粒子权重值。
该步骤中涉及的很多矩阵向量计算,由于计算量大、并行程度高,可以通过并行计算处理技术来加速;将这些计算量映射到GPU多核中,以提高计算效率;GPU多核的具体计算处理策略如下:
对于向量与标量的乘法或除法,将该计算量映射到个数与向量维数相等的多个内核中,每个内核完成对应向量元素与标量相乘或相除;
对于矩阵与向量的乘法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与其相对应的向量元素相乘,然后对所得到的矩阵的各行再求和;
对于矩阵与标量的乘法或除法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与标量相乘或相除;
对于其余公式的代入计算,则使一个内核对应负责一个公式不同数据的计算。
(3)对粒子进行重采样。
利用GPU多核并行处理技术对粒子浓度值及其粒子权重值进行重采样,得到重采样后的粒子浓度值及其粒子权重值;
重采样算法如下(用伪代码表示):
c.for j=1:Ns
While uj>ci
*i=i+1
end while
end for
重采样过程将权重大的粒子保留下来,权重小的粒子删除,从而使整个粒子的分布更接近真值;经过若干次迭代后,就能得到精度范围内的结果。
由于重采样过程中需要依次用到同一体素中的所有粒子,即各个粒子之间存在时序关系,因此同一体素的粒子重采样不能并行计算;故该步骤的并行计算处理策略是使不同体素的重采样互相并行,即一个内核对应执行一个体素的重采样算法。
(4)求取粒子浓度真值及其权重真值。
返回步骤(2),并使重采样后的粒子浓度值作为步骤(2)中的粒子浓度值,依此循环直至重采样后的粒子浓度值收敛,将收敛时重采样后的粒子浓度值及其粒子权重值作为粒子浓度真值及其粒子权重真值。
(5)计算每一体素的体素值。
根据粒子浓度真值及其粒子权重真值,利用GPU多核并行处理技术通过以下方程表达式求取PET图像中每一体素的体素值。
其中:x(k) *[j]为PET图像中第j体素的第k粒子浓度真值,w(k) *[j]为x(k) *[j]对应的粒子权重真值,x*[j]为PET图像中第j体素的体素值。
该步骤的并行计算处理策略也是使不同体素的体素值计算互相并行,即一个内核对应执行一个体素的体素值计算。
以下通过实验来验证本实施方式的实用性和可靠性;图2为著名的Zubal-thorax-phantom数字体模的模型,采样角度为180°,共有128个角度和128个半径对,最后所成图像像素为128×128;针对该模型,采用本实施方式重建的PET图像与采用ML-EM方法重建的PET图像相比较,从图3可以看出,用本实施方式重建出来的图像分辨率和图像清晰程度都比用ML-EM方法重建出来的要高得多。为了从统计学的角度分析本发明方法的优点,表1列出了在原始sinogram(符合计数向量)中分别加入10%、20%、30%、40%噪声的情况下,用本实施方式与用ML-EM方法重建得到的图像的偏差和标准差。
表1
从表1可以看出,本实施方式在偏差和标准差两个统计方面都明显优于现有技术常用的ML-EM方法,即证明了基于粒子滤波的静态PET图像重建方法相较于目前现有的重建方法的可靠性。
接下来将本实施方式与传统CPU串行计算实现的PET重建方法进行比较,如表2所示,比较两者之间在速率上的差异。
表2
sinogram大小 | GPU并行计算 | CPU串行计算 | 加速比 |
32*32 | 0.1850s | 23.4804s | 126.9211 |
64*64 | 0.3730s | 245.1592s | 657.263 |
128*128 | 10.917s | 7610.6s | 697.133 |
由表2可知,并行计算的参与大大缩短了重建时间;而并行计算使用的是单精度,从表3中可见,并行计算的单精度重建在精度(偏差和方差)上相对于串行计算并没有太大的损失。
表3
偏差 | 方差 | |
GPU并行计算 | 0.0216 | 0.0931 |
CPU串行计算 | 0.0056 | 0.1687 |
Claims (5)
1.一种基于GPU多核并行处理的PET图像重建方法,包括如下步骤:
(1)根据体素值的概率分布区间,利用线性平均采样法对PET图像中的每一体素进行粒子采样,获得体素的每一粒子浓度值;
(2)根据采集获取到的符合计数向量,利用FBP法求得体素的先验浓度值;根据体素的先验浓度值和粒子浓度值,利用GPU多核并行处理技术通过粒子权重估计算法求得体素每一粒子浓度值对应的粒子权重值;
(3)利用GPU多核并行处理技术对所述的粒子浓度值及其粒子权重值进行重采样,得到重采样后的粒子浓度值及其粒子权重值;
(4)返回步骤(2),并使重采样后的粒子浓度值作为步骤(2)中的粒子浓度值,依此循环直至重采样后的粒子浓度值收敛,将收敛时重采样后的粒子浓度值及其粒子权重值作为粒子浓度真值及其粒子权重真值;
(5)根据所述的粒子浓度真值及其粒子权重真值,利用GPU多核并行处理技术求取PET图像中每一体素的体素值。
2.根据权利要求1所述的基于GPU多核并行处理的PET图像重建方法,其特征在于:所述的线性平均采样法是通过对体素值的概率分布区间进行s-1等分,得到s个节点值,每个节点值即对应为任一体素的每一粒子浓度值,s为粒子采样个数。
3.根据权利要求1所述的基于GPU多核并行处理的PET图像重建方法,其特征在于:所述的粒子权重估计算法基于以下方程表达式:
其中:x[j]为PET图像中第j体素的先验浓度值,y[i]为符合计数向量中的第i符合计数;D(i,j)为系统矩阵中第i行第j列的元素值;x(k)[j]为PET图像中第j体素的第k粒子浓度值,w(k)[j]为x(k)[j]对应的粒子权重值;i、j和k均为自然数,且1≤i≤m,1≤j≤n,1≤k≤s,m为符合计数向量的维度,n为PET图像的体素个数。
4.根据权利要求1所述的基于GPU多核并行处理的PET图像重建方法,其特征在于:所述的步骤(5)中,通过以下方程表达式求取PET图像中每一体素的体素值:
其中:x(k) *[j]为PET图像中第j体素的第k粒子浓度真值,w(k) *[j]为x(k) *[j]对应的粒子权重真值,x*[j]为PET图像中第j体素的体素值。
5.根据权利要求1所述的基于GPU多核并行处理的PET图像重建方法,其特征在于:所述的GPU多核并行处理技术的计算处理策略如下:
对于向量与标量的乘法或除法,将该计算量映射到个数与向量维数相等的多个内核中,每个内核完成对应向量元素与标量相乘或相除;
对于矩阵与向量的乘法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与其相对应的向量元素相乘,然后对所得到的矩阵的各行再求和;
对于矩阵与标量的乘法或除法,将该计算量映射到个数与矩阵维数相等的多个内核中,每个内核完成对应矩阵元素与标量相乘或相除;
对于其余公式的代入计算,则使一个内核对应负责一个公式不同数据的计算。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102137654A CN102831627A (zh) | 2012-06-27 | 2012-06-27 | 一种基于gpu多核并行处理的pet图像重建方法 |
PCT/CN2013/076794 WO2014000557A1 (zh) | 2012-06-27 | 2013-06-05 | 一种基于gpu多核并行处理的pet图像重建方法 |
US14/583,091 US9665954B2 (en) | 2012-06-27 | 2014-12-24 | Method for reconstructing PET image using GPU parallel computing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102137654A CN102831627A (zh) | 2012-06-27 | 2012-06-27 | 一种基于gpu多核并行处理的pet图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102831627A true CN102831627A (zh) | 2012-12-19 |
Family
ID=47334741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102137654A Pending CN102831627A (zh) | 2012-06-27 | 2012-06-27 | 一种基于gpu多核并行处理的pet图像重建方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9665954B2 (zh) |
CN (1) | CN102831627A (zh) |
WO (1) | WO2014000557A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295207A (zh) * | 2013-05-30 | 2013-09-11 | 浙江大学 | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 |
WO2014000557A1 (zh) * | 2012-06-27 | 2014-01-03 | 浙江大学 | 一种基于gpu多核并行处理的pet图像重建方法 |
CN103942840A (zh) * | 2014-05-15 | 2014-07-23 | 四川材料与工艺研究所 | 一种利用γ相机拍摄二维图像重构放射性物质三维分布的方法 |
CN105046744A (zh) * | 2015-07-09 | 2015-11-11 | 中国科学院高能物理研究所 | 基于gpu加速的pet图像重建方法 |
CN104022756B (zh) * | 2014-06-03 | 2016-09-07 | 西安电子科技大学 | 一种基于gpu架构的改进的粒子滤波方法 |
CN106296764A (zh) * | 2016-08-02 | 2017-01-04 | 上海联影医疗科技有限公司 | 图像重建方法及系统 |
CN108428253A (zh) * | 2018-03-12 | 2018-08-21 | 武汉大学 | 一种构造虚拟doi及相应系统矩阵提高pet图像重建质量的方法 |
CN109697740A (zh) * | 2018-12-26 | 2019-04-30 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
CN110717951A (zh) * | 2019-09-12 | 2020-01-21 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
WO2021114306A1 (zh) * | 2019-12-14 | 2021-06-17 | 深圳先进技术研究院 | 一种基于gpu加速的高精度pet重建方法及装置 |
CN113409183A (zh) * | 2021-08-02 | 2021-09-17 | 广州汇图计算机信息技术有限公司 | 一种基于gpu的快速重建成像方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115428B (zh) * | 2015-04-24 | 2018-02-02 | 上海工程技术大学 | 面向辐对称电缆切面绝缘层厚度的并行图像测量方法 |
US10347014B2 (en) | 2016-08-02 | 2019-07-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
US11308662B2 (en) | 2016-08-02 | 2022-04-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182491A1 (en) * | 2010-01-27 | 2011-07-28 | Levin Craig S | Shift-Varing Line Projection using graphics hardware |
CN102184559A (zh) * | 2011-05-17 | 2011-09-14 | 刘华锋 | 一种基于粒子滤波的静态pet图像重建方法 |
CN102214086A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于多核处理器的通用并行加速算法 |
CN102282589A (zh) * | 2009-01-19 | 2011-12-14 | 皇家飞利浦电子股份有限公司 | 列表模式pet成像中的区域重建和定量评估 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831627A (zh) * | 2012-06-27 | 2012-12-19 | 浙江大学 | 一种基于gpu多核并行处理的pet图像重建方法 |
-
2012
- 2012-06-27 CN CN2012102137654A patent/CN102831627A/zh active Pending
-
2013
- 2013-06-05 WO PCT/CN2013/076794 patent/WO2014000557A1/zh active Application Filing
-
2014
- 2014-12-24 US US14/583,091 patent/US9665954B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102282589A (zh) * | 2009-01-19 | 2011-12-14 | 皇家飞利浦电子股份有限公司 | 列表模式pet成像中的区域重建和定量评估 |
US20110182491A1 (en) * | 2010-01-27 | 2011-07-28 | Levin Craig S | Shift-Varing Line Projection using graphics hardware |
CN102184559A (zh) * | 2011-05-17 | 2011-09-14 | 刘华锋 | 一种基于粒子滤波的静态pet图像重建方法 |
CN102214086A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于多核处理器的通用并行加速算法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000557A1 (zh) * | 2012-06-27 | 2014-01-03 | 浙江大学 | 一种基于gpu多核并行处理的pet图像重建方法 |
CN103295207A (zh) * | 2013-05-30 | 2013-09-11 | 浙江大学 | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 |
CN103942840A (zh) * | 2014-05-15 | 2014-07-23 | 四川材料与工艺研究所 | 一种利用γ相机拍摄二维图像重构放射性物质三维分布的方法 |
CN104022756B (zh) * | 2014-06-03 | 2016-09-07 | 西安电子科技大学 | 一种基于gpu架构的改进的粒子滤波方法 |
CN105046744B (zh) * | 2015-07-09 | 2018-10-30 | 中国科学院高能物理研究所 | 基于gpu加速的pet图像重建方法 |
CN105046744A (zh) * | 2015-07-09 | 2015-11-11 | 中国科学院高能物理研究所 | 基于gpu加速的pet图像重建方法 |
CN106296764A (zh) * | 2016-08-02 | 2017-01-04 | 上海联影医疗科技有限公司 | 图像重建方法及系统 |
CN108428253A (zh) * | 2018-03-12 | 2018-08-21 | 武汉大学 | 一种构造虚拟doi及相应系统矩阵提高pet图像重建质量的方法 |
CN109697740A (zh) * | 2018-12-26 | 2019-04-30 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
CN110717951A (zh) * | 2019-09-12 | 2020-01-21 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
CN110717951B (zh) * | 2019-09-12 | 2021-08-03 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
WO2021114306A1 (zh) * | 2019-12-14 | 2021-06-17 | 深圳先进技术研究院 | 一种基于gpu加速的高精度pet重建方法及装置 |
CN113409183A (zh) * | 2021-08-02 | 2021-09-17 | 广州汇图计算机信息技术有限公司 | 一种基于gpu的快速重建成像方法 |
Also Published As
Publication number | Publication date |
---|---|
US9665954B2 (en) | 2017-05-30 |
WO2014000557A1 (zh) | 2014-01-03 |
US20150154767A1 (en) | 2015-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831627A (zh) | 一种基于gpu多核并行处理的pet图像重建方法 | |
JP7203852B2 (ja) | 深層学習を使用した低線量petイメージングからの全線量pet画像の推定 | |
Matej et al. | Efficient 3-D TOF PET reconstruction using view-grouped histo-images: DIRECT—Direct image reconstruction for TOF | |
CN109584324B (zh) | 一种基于自动编码器网络的正电子发射型计算机断层显像(pet)重建方法 | |
Levkovilz et al. | The design and implementation of COSEN, an iterative algorithm for fully 3-D listmode data | |
CN104657950B (zh) | 一种基于Poisson TV的动态PET图像重建方法 | |
CN102184559B (zh) | 一种基于粒子滤波的静态pet图像重建方法 | |
CN106204674B (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
Kösters et al. | EMRECON: An expectation maximization based image reconstruction framework for emission tomography data | |
US20230059132A1 (en) | System and method for deep learning for inverse problems without training data | |
US20160078646A1 (en) | Prca-based method and system for dynamically re-establishing pet image | |
Bardsley et al. | Hierarchical regularization for edge-preserving reconstruction of PET images | |
Ma et al. | An encoder-decoder network for direct image reconstruction on sinograms of a long axial field of view PET | |
US8509504B2 (en) | Point spread function radial component implementation in Joseph's forward projector | |
Boudjelal et al. | Improved simultaneous algebraic reconstruction technique algorithm for positron-emission tomography image reconstruction via minimizing the fast total variation | |
Ruan et al. | Separation of a mixture of simultaneous dual-tracer PET signals: a data-driven approach | |
Wang et al. | Improved low-dose positron emission tomography image reconstruction using deep learned prior | |
CN113112558B (zh) | 一种高清pet图像重建方法 | |
Bai et al. | MAP reconstruction for Fourier rebinned TOF-PET data | |
CN103230282A (zh) | 一种pet浓度均值与方差的估计方法及系统 | |
Khalil | Emission tomography and image reconstruction | |
Zhang et al. | Deep generalized learning model for PET image reconstruction | |
CN105832358A (zh) | 一种基于系统校准的旋转双平板pet系统的成像方法 | |
Ding et al. | Dynamic SPECT reconstruction with temporal edge correlation | |
Kamasak et al. | Quality and precision of parametric images created from PET sinogram data by direct reconstruction: proof of concept |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121219 |