CN111724451A - 基于云计算的断层图像重建加速方法、系统、终端以及存储介质 - Google Patents

基于云计算的断层图像重建加速方法、系统、终端以及存储介质 Download PDF

Info

Publication number
CN111724451A
CN111724451A CN202010518383.7A CN202010518383A CN111724451A CN 111724451 A CN111724451 A CN 111724451A CN 202010518383 A CN202010518383 A CN 202010518383A CN 111724451 A CN111724451 A CN 111724451A
Authority
CN
China
Prior art keywords
reconstruction
master
cloud
tomographic image
computing
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
CN202010518383.7A
Other languages
English (en)
Inventor
刘仰川
朱叶晨
高欣
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.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
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 Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN202010518383.7A priority Critical patent/CN111724451A/zh
Publication of CN111724451A publication Critical patent/CN111724451A/zh
Pending legal-status Critical Current

Links

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种基于云计算的断层图像重建加速方法、系统、终端以及存储介质。包括：获取物体的原始扫描数据，将所述原始扫描数据上传至云计算系统；其中，所述云计算系统包括Master和设定数量的Worker；通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境，将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务，将所述子任务分配给所述设定数量的Worker进行重建计算，并将所有Worker的重建计算结果进行整合，生成所述原始扫描数据的断层重建图像。本申请实施例可兼容MapReduce、MPI等多种计算框架，实现云端并行计算，使用方便，计算灵活、成本低、不受地域限制。

Description

基于云计算的断层图像重建加速方法、系统、终端以及存储 介质
技术领域
本申请属于云计算技术领域，特别涉及一种基于云计算的断层图像重建加速方法、系统、终端以及存储介质。
背景技术
断层成像设备是指能够对某一物体(包括人)扫描并产生一组断层图像(俗称“切片(slice)”)的设备，常见的设备包括计算机断层摄影(Computed Tomography,CT)、正电子发射计算机断层扫描(Positron Emission Tomography,PET)、核磁共振成像(MagneticResonance Imaging,MRI)、数字乳腺断层摄影(Digital Breast Tomosynthesis,DBT)、超声透射断层成像(Ultrasound Transmission Tomography,UTT)等。断层成像设备的基本组成包括射线源或激发源、探测器、控制器、机架等，基本扫描过程是在围绕物体的圆周上或平行于物体的平面上的若干个(几个至上千个)角度位置，利用探测器采集物体的透射线或发射线，获得原始扫描数据；利用断层图像重建算法，计算得到物体的三维影像，该影像一般由几十至几百个断层图像组成。CT是最典型的断层成像设备，其扫描过程如图1所示，射线源和探测器围绕人体进行360°旋转，采集几百至上千个投影数据，经过重建得到断层图像。
在医学上，医生利用断层图像可以对人体病灶进行诊断；在工业上，工人利用断层图像可以对工件瑕疵进行无损检测。
断层图像重建算法通常需要很大的计算量，带来较长的时间消耗。现有断层图像重建加速方法主要包括ASIC、CPU集群、GPU、CPU-GPU异构集群、FPGA、DSP技术等断层图像重建算法进行重建加速。各方法具体为：
一、ASIC；ASIC是专用集成芯片(Application-Specific Integrated Circuit)的简称，是指按照特定用户要求和特定电子系统的需要而设计、制造的集成电路。ASIC具有专用性，一般是针对特定算法设计的，计算效率较高，适用于大批量生产的产品，但开发成本高昂，只有大型公司才能负担得起。
二、CPU集群；CPU集群一般通过软件将局域网内的多台计算机(称为“节点”)连接在一起而实现，能够高度紧密协作完成计算任务。集群内部负责计算任务的是中央处理器(Central Processing Unit,CPU)，然而CPU集群的线程管理难度大、占地面积大，不便于推广。
三、GPU；GPU即图像处理器(Graphics Processing Unit)，起初是用来执行数学和几何计算而设计的，它安装在计算机的显卡上，是图像渲染所必需的。近年来，GPU发展出的通用计算技术，在浮点运算、并行计算等方面，是CPU性能的数十倍甚至上百倍。GPU通用计算方面的标准目前有OpenCL、CUDA、ATI STREAM，其中CUDA是NVIDIA公司为自己的GPU加速卡提供的，发展速度最快、应用范围最广。GPU集群体积小、便宜，但并行计算开发难度大。
四、CPU-GPU异构集群；CPU-GPU异构集群的原理是：采用CPU多线程流水线模式，将整个任务分解为若干个处理阶段，相邻的两个阶段之间以循环缓存连接，上一阶段完成一次计算任务后将数据放到循环缓存里，然后继续下一次的计算任务，下一阶段探测到循环缓存里有数据后从缓存里取出数据开始计算。各个任务是并行处理任务的，针对某一耗时瓶颈模块再采用GPU并行加速，充分发挥CPU和GPU的计算资源。基于CPU-GPU异构集群实现断层图像重建加速存在线程管理、数据缓存等方面的困难。
五、FPGA；FPGA(Field Programmable Gate Array)译为现场可编程门阵列，它内部的可编程元件可以用硬件描述语言(Verilog或VHDL)实现一些基本的逻辑门电路及其组合，最终实现集成电路的功能。FPGA相当于专ASIC的半定制芯片，它以并行运算为主，具有较高的运行效率。FPGA基于逻辑门电路，对开发人员的电路知识要求极高。
六、DSP技术；DSP是数字信号处理器(Digital Signal Processor)的简称，是一种独特的微处理器，以数字号来处理大量信息的器件，其编程语言是C语言。DSP器件由于具有低功耗、低成本和开发效率高的特点，同时，在设计上具有程序和数据分开的哈佛结构，具有专门的硬件乘法器以及广泛的流水线操作。基于DSP实现CT图像重建加速需要针对外围电路开发传输、缓存等程序，对开发人员的电路知识要求较高。
基于上述技术的不足，有必要提供一种新的方法，以更加简单容易地实现断层图像的重建加速。
发明内容
本申请提供了一种基于云计算的断层图像重建加速方法、系统、终端以及存储介质，旨在解决现有技术中的断层图像重建加速算法存在的开发成本高、线程管理难度大、并行计算开发难度大、对电路知识要求高等技术问题。
为了解决上述问题，本申请提供了如下技术方案：
一种基于云计算的断层图像重建加速方法，包括：
获取物体的原始扫描数据，将所述原始扫描数据上传至云计算系统；其中，所述云计算系统包括Master和设定数量的Worker；
通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境，以及：
将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务，将所述子任务分配给所述设定数量的Worker进行重建计算，并将所有Worker的重建计算结果进行整合，生成所述原始扫描数据的断层重建图像。
本申请实施例采取的技术方案还包括：所述原始扫描数据包括所述断层成像设备的探测器输出数据、扫描参数以及断层图像重建指标。
本申请实施例采取的技术方案还包括：所述将所述原始扫描数据上传至云计算系统前还包括：
对所述原始扫描数据进行无损压缩及加密处理。
本申请实施例采取的技术方案还包括：所述将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务前还包括：
对所述原始扫描数据进行解密、解压处理。
本申请实施例采取的技术方案还包括：所述生成所述原始扫描数据的断层重建图像后还包括：
通过所述Master将所述断层重建图像传输至云存储系统进行保存。
本申请实施例采取的技术方案还包括：所述通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境包括：
在所述云计算系统上搭建Hadoop集群，并利用MapReduce框架进行断层图像的重建计算。
本申请实施例采取的技术方案还包括：所述利用MapReduce框架进行断层图像的重建计算包括：
制作机器镜像；
利用所述机器镜像实例化设定数量的虚拟服务器；
利用Master配置Hadoop集群；已知Master，选择一个虚拟服务器作为SecondaryNameNode，其余虚拟服务器作为Worker，利用本地计算机或远程操作Master配置各虚拟服务器上的Hadoop，启动各虚拟服务器上的Hadoop初始化，形成MapReduce计算集群；
启动MapReduce计算任务；将map()和reduce()函数上传至Master，利用HadoopStreaming运行MapReduce，MapReduce自动调用map()和reduce()函数进行断层图像的重建计算，并将重建结果存储至HDFS；
计算结束后，所述Master将计算结果从HDFS中下载并转存至云存储系统。
本申请实施例采取的技术方案还包括：所述通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境还包括：
在所述云计算系统上搭建MPI集群，利用所述MPI框架进行断层图像的重建计算。
本申请实施例采取的技术方案还包括：所述利用所述MPI框架进行断层图像的重建计算包括：
制作机器镜像；
利用机器镜像实例化设定数量的虚拟服务器；
利用Master配置MPI集群；已知Master，将所述实例化的虚拟服务器作为Worker，将MPI相关函数上传至Master，所述Master将MPI集群配置为主从模式；
启动MPI计算任务；利用所述Master对所述原始扫描数据进行卷积滤波后，将所述重建指标和原始扫描数据发送给各个Worker，各个Worker按照所述重建指标对所述原始扫描数据进行反投影，得到断层图像；所述Master对各个Worker产生的断层图像进行归约，得到最终的断层重建图像；
所述Master将所述断层重建图像转存至云存储系统。
本申请实施例采取的另一技术方案为：一种基于云计算的断层图像重建加速系统，包括：
断层成像设备：用于获取物体的原始扫描数据；
设备端计算机：用于将所述原始扫描数据上传至云计算系统；
所述云计算系统包括Master和设定数量的Worker；
所述Master利用并行计算框架在所述云计算系统上配置并行计算环境，将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务，并将所述子任务分配给所述设定数量的Worker进行重建计算，将所有Worker的重建计算结果进行整合，生成所述原始扫描数据的断层重建图像。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述基于云计算的断层图像重建加速方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制基于云计算的断层图像重建加速。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述基于云计算的断层图像重建加速方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的基于云计算的断层图像重建加速方法、系统、终端以及存储介质利用云服务平台提供的虚拟服务器搭建集群，并借助并行计算框架实现对断层图像重建过程的加速。相对于现有技术，本申请实施例至少具有以下有益效果：
1、兼容性强；本申请实施例可兼容MapReduce、MPI等多种计算框架，实现云端并行计算；
2.使用方便；只需设定断层图像的重建指标并上传原始扫描数据，云端即可自动实现快速重建、数据存储、数据下载等，容易学习，且不需要手动去维护；
3.计算灵活、成本低、不受地域限制；本申请实施例通过在云端进行重建计算，可以灵活选择虚拟服务器的数量和配置，有利于计算资源的成本控制，且在每个可接入网络的地方均可使用。
附图说明
图1是断层成像设备之CT的成像过程示意图；
图2是本申请第一实施例的基于云计算的断层图像重建加速方法的流程图；
图3是本申请第二实施例的基于MapReduce框架的断层图像重建加速方法示意图；
图4为MapReduce工作原理示意图；
图5是本申请第三实施例的基于MPI框架的断层图像重建加速方法示意图；
图6是本申请实施例的基于云计算的断层图像重建加速系统的结构示意图；
图7为本申请实施例的终端结构示意图；
图8为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
实施例一
请参阅图2，图2是本申请第一实施例的基于云计算的断层图像重建加速方法的流程图。本申请第一实施例的基于云计算的断层图像重建加速方法包括以下步骤：
步骤100：通过断层成像设备对物体进行扫描，生成物体的原始扫描数据；
步骤100中，断层成像设备成像包括(Computed Tomography,CT)、正电子发射计算机断层扫描(Positron Emission Tomography,PET)、核磁共振成像(Magnetic ResonanceImaging,MRI)、数字乳腺断层摄影(Digital Breast Tomosynthesis,DBT)、超声透射断层成像(Ultrasound Transmission Tomography,UTT)等；原始扫描数据包括断层成像设备的探测器输出数据、扫描参数以及断层图像重建指标等。
步骤110：通过设备端计算机对原始扫描数据进行无损压缩及加密处理后，将其上传至云服务平台；
步骤110中，由于原始扫描数据量非常大，本申请实施例通过采用无损方式对原始扫描数据进行压缩，可以保证数据的完整性，并大幅度减少数据传输时间。同时，由于医用数据比较敏感，本申请实施例采用加密方式传输原始扫描数据，可以保障数据的安全性。
本申请实施例利用云服务平台提供的虚拟服务器(又称“节点(Node)”或“实例(Instance)”)搭建集群，并借助并行计算框架实现对断层图像重建过程的加速。具体的，云服务平台包括云计算系统和云存储系统，其中，云计算系统包括云端主机(Master)和多个虚拟工作机(Worker)，Master自动将重建任务切分为多个子任务，然后将各个子任务分配到多个Worker上进行断层图像的重建计算，并将重建结果上传至云存储系统进行保存，以供终端用户进行断层重建图像的浏览或下载。
云计算系统(Cloud Computing)是网格计算(Grid Computing)、分布式计算(Distributed Computing)、并行计算(Parallel Computing)、效用计算(UtilityComputing)、网络存储(Network Storage Technologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机技术和网络技术发展融合的产物，它旨在通过网络将多个成本相对较低的计算实体整合成一个具有强大计算能力的完美系统，将强大的计算能力分布到终端用户手中。云计算系统的主要服务形式包括SaaS(Software as aService，软件即服务)、PaaS(Platform as a Service，平台即服务)、IaaS(Infrastructure as aService，基础设施即服务)。
步骤120：通过Master接收原始扫描数据，对原始扫描数据进行解密、解压处理后，根据重建指标将断层图像的重建任务划分为一定数量的子任务；
步骤130：通过Master利用并行计算框架配置并行计算环境，将所有子任务分配给一定数量的Worker(Worker的数量根据子任务的数量而设定)，并自动启动Worker执行各个子任务的计算；
步骤140：Master自动对各个Worker的计算过程进行监测及适时调度，并在各个Worker完成子任务的重建计算后，将所有Worker的计算结果进行整合，形成原始扫描数据的断层重建图像；
步骤150：通过设备端计算机以安全方式(如断层图像加密)远程浏览或下载断层重建图像；
步骤160：通过Master将断层重建图像传输至云存储系统；
步骤170：用户端计算机利用分配的账户和密码访问云存储系统，并以安全方式远程浏览或下载断层重建图像；
步骤180：通过运维端计算机为云计算重建方案提供定制服务，并对系统的运行情况进行监测及维护。
综上所述，本申请实施例对设备端计算机以及用户端计算机的数量、位置及请求均没有限制，即可为多个设备厂家及其用户提供服务，并可在虚拟工作站配置、传输速率、存储空间等方面为厂家及其用户提供定制化服务，有效降低厂家及其用户的设备成本及人员成本。
基于上述，本申请实施例的基于云计算的断层图像重建加速方法可兼容多种并行计算框架，实现断层图像的快速重建，所述的多种并行计算框架包括但不限于MapReduce、MPI(Message Passing Interface，一种消息传递接口的标准)等。为了更为清楚的描述本申请实施例的技术方案，以下分别以MapReduce、MPI计算框架为例对本申请实施例的基于云计算的断层图像重建加速方法进行具体描述。
实施例二
请参阅图3，是本申请第二实施例的基于MapReduce框架的断层图像重建加速方法示意图，该实施例通过在云计算系统(基础设施即服务IaaS或平台即服务PaaS)上搭建Hadoop集群，并利用MapReduce框架实现断层图像的重建计算，其具体包括以下步骤：
步骤200：制作机器镜像(Image)；
本步骤中，如果云计算厂家提供的机器镜像不能满足开发需求，需要进一步配置环境。机器镜像制作方式为：在Master中安装配置Hadoop和编译软件GCC(GNU CompilerCollection，GNU编译器套件)，利用已配置的Master制作机器镜像。Master可长期运行，负责接收原始扫描数据、反馈远程请求等，但长期不使用时，也可通过设置使其进入休眠状态，以节省计算资源。
其中，Hadoop是一个分布式计算架构，是一种开源软件。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。Hadoop的核心是HDFS(Hadoop分布式文件系统)和MapReduce，HDFS为海量数据提供存储，MapReduce为海量数据提供计算。MapReudce至少包括一个map函数、一个reduce函数和一个main函数，其中map和reduce函数遵循的的常规格式是：
map:(k1,v1)→list(k2,v2)(1)
reduce:(k2,list(v2))→list(k3,v3)(2)
map函数接受一组数据并将其转换为一个键/值对列表，输入域中的每个元素对应一个键/值对；reduce函数接受map函数生成的列表，然后根据它们的键(为每个键生成一个键/值对)缩小键/值对列表。
步骤210：根据计算需求确定虚拟服务器(又称节点(Node)、实例(Instance))的硬件配置(如CPU、内存、硬盘等)，利用Image实例化一定数量的虚拟服务器；
步骤220：利用Master配置Hadoop集群；已知Master，选择一个Node作为SecondaryNameNode，其余Node作为Worker，利用本地计算机或远程操作Master配置各Node上的Hadoop，启动各Node上的Hadoop初始化，形成MapReduce计算集群；
本步骤中，Hadoop配置过程即修改core-site.xml、mapred-site.xml、hdfs-site.xml等配置文件，可使用一个编写的Shell脚本实现，本地计算机与云端节点之间、云端节点与云端节点之间的通讯采用SSH(Secure Shell，安全外壳)协议。
步骤230：启动MapReduce计算任务；将本地计算机上编写的map()和reduce()函数上传至Master，利用Hadoop Streaming运行MapReduce，后者自动调用map()和reduce()函数进行断层图像的重建计算，其中map()函数承担断层图像重建的计算任务，reduce()函数承担计算结果的合并，并将重建结果存储至HDFS(Hadoop分布式文件系统)。
本申请实施例中，MapReduce工作原理如图4所示，MapReduce计算任务过程包括如下步骤：
(1)用户在User Program处输入文件；
(2)MapReduce库先将输入文件划分为设定大小的M份(M为用户定义，每一份的大小为16MB到64MB，如图4所示分成了split0～4)，然后使用fork将用户进程拷贝到集群内其它机器上；
(3)user program的副本中有一个称为Master，其余称为Worker，Master负责调度的，为空闲Worker(Worker的数量可以由用户自行设定)分配Map作业或Reduce作业；
(4)被分配了Map作业的Worker，开始读取对应分片的输入数据，其中Map作业数量是由输入文件的划分份数M决定的，和split一一对应；Map作业从输入数据中抽取出键值对，每一个键值对都作为参数传递给map函数，map函数产生的中间键值对被缓存在内存中；
(5)缓存的中间键值对会被定期写入本地磁盘，而且被分为R个区(R的大小可由用户自行设定)，每个区会对应一个Reduce作业；这些中间键值对的位置会被通报给Master，Master负责将信息转发给Reduce Worker；
(6)Master通知分配了Reduce作业的worker所负责的分区位置，每个ReduceWorker将所有负责的中间键值对都读过来后，先对它们进行排序，使得相同键的键值对聚集在一起(由于不同的键可能会映射到同一个分区也就是同一个Reduce作业，因此需要对中间键值对进行排序)；
(7)Reduce Worker遍历排序后的中间键值对，对于每个唯一的键，都将键与关联的值传递给reduce函数，reduce函数将产生的输出添加到对应分区的输出文件中；
(8)当所有的Map和Reduce作业都完成后，Master唤醒正版的user program，MapReduce函数调用返回user program的代码。
整个过程中，输入数据来自HDFS，中间数据放在本地文件系统，最终输出数据写入HDFS。
步骤240：利用Hadoop提供的监控功能(网页形式)，对MapReduce的计算集群运行状态进行监控；
步骤250：计算结束后，Master将计算结果从HDFS中下载并转存至云计算厂家提供的云存储系统；
步骤260：计算结果转存后，停止MapReduce集群及HDFS，并将各Worker节点关闭、释放；
本步骤中，在计算结果转存后停止MapReduce集群及HDFS，从而节省计算费用。
实施例三
请参阅图5，是本申请第三实施例的基于MPI框架的断层图像重建加速方法示意图，该实施例是在云计算系统(基础设施即服务IaaS)上搭建MPI集群，利用MPI框架实现断层图像重建的并行计算，其具体包括以下步骤：
步骤300：制作机器镜像；在Master中安装配置MPI和编译软件(包括但不限于GCC)，利用已配置的云端主机制作机器镜像；
其中，MPI是一种消息传递接口的标准，为用户提供一个实际可用的、可移植的、高效的和灵活的消息传递接口库。消息传递是指系统的各处理机采用消息传递模型来实现数据传输、步调控制等。消息传递编程模型提供了灵活多样的并行程序设计和开发方法，在一定范围内极大地提高并行计算的运行效率。MPI拥有至少287个接口，其中最常用也是并行程序不可少的基本接口包括MPI_Init(初始化)、MPI_Comm_rank(进程标识获取)、MPI_Comm_size(并行域内进程数获取)、MPI_Send(消息发送)、MPI_Recv(消息接收)和MPI_Finalize(结束)。编译软件用于执行断层重建程序。
步骤310：实例化节点；根据计算需求确定虚拟服务器的硬件配置(如CPU、内存、硬盘等)，利用机器镜像实例化一定数量的虚拟服务器；
步骤320：利用Master配置MPI集群；已知Master，将实例化的节点作为工作机(Worker)；将本地计算机上编写的MPI_Init(初始化)、MPI_Comm_rank(进程标识获取)、MPI_Comm_size(并行域内进程数获取)、MPI_Send(消息发送)、MPI_Recv(消息接收)、MPI_Finalize等函数上传至Master，将MPI集群配置为主从(Master-Slave)模式；
步骤330：启动MPI计算任务；利用Master对投影数据进行基于卷积原理的滤波后，将重建指标和投影数据发送给各个Worker，各个Worker按照重建指标对投影数据进行反投影，得到断层图像；Master对Worker产生的断层图像进行归约，得到最终的断层重建图像；
步骤340：计算机结果存储；Master将断层重建图像转存至云计算厂家提供的云存储系统；
步骤350：停止MPI集群，并将各Worker节点关闭、释放，以释放计算资源。
请参阅图6，是本申请实施例的基于云计算的断层图像重建加速系统的结构示意图。本申请实施例的基于云计算的断层图像重建加速系统包括：
断层成像设备：用于对物体进行扫描，生成物体的原始扫描数据；其中，原始扫描数据包括断层成像设备的探测器输出数据、扫描参数以及断层图像重建指标等。
设备端计算机：用于对原始扫描数据进行无损压缩及加密处理后，将其上传至云服务平台；其中，由于原始扫描数据量非常大，本申请实施例通过采用无损方式对原始扫描数据进行压缩，可以保证数据的完整性，并大幅度减少数据传输时间。同时，由于医用数据比较敏感，本申请实施例采用加密方式传输原始扫描数据，可以保障数据的安全性。
云服务平台：包括云计算系统和云存储系统，其中，云计算系统包括云端主机(Master)和多个虚拟工作机(Worker)，Master用于接收原始扫描数据，对原始扫描数据进行解密、解压后，根据重建指标将断层图像的重建任务划分为一定数量的子任务，利用并行计算框架配置并行计算环境，将所有子任务分配给一定数量的Worker(Worker的数量根据子任务的数量而设定)，自动启动Worker执行各个子任务的计算，对各个Worker的计算过程进行监测及适时调度，并在各个Worker完成子任务的计算后，将所有Worker的计算结果进行整合，形成原始扫描数据的断层重建图像，并将断层重建图像传输至云存储系统进行保存；
设备端计算机：用于以安全方式(如断层图像加密)远程浏览或下载断层重建图像；
用户端计算机：用于利用分配的账户和密码访问云存储系统，并以安全方式远程浏览或下载断层重建图像；
运维端计算机：用于为云计算重建方案提供定制服务，并对系统的运行情况进行监测及维护。
请参阅图7，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述基于云计算的断层图像重建加速方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制基于云计算的断层图像重建加速。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图8，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
本申请实施例的基于云计算的断层图像重建加速方法、系统、终端以及存储介质利用云服务平台提供的虚拟服务器搭建集群，并借助并行计算框架实现对断层图像重建过程的加速。相对于现有技术，本申请实施例至少具有以下有益效果：
1、兼容性强；本申请实施例可兼容MapReduce、MPI等多种计算框架，实现云端并行计算；
2.使用方便；只需设定断层图像的重建指标并上传原始扫描数据，云端即可自动实现快速重建、数据存储、数据下载等，容易学习，且不需要手动去维护；
3.计算灵活、成本低、不受地域限制；本申请实施例通过在云端进行重建计算，可以灵活选择虚拟服务器的数量和配置，有利于计算资源的成本控制，且在每个可接入网络的地方均可使用。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种基于云计算的断层图像重建加速方法，其特征在于，包括：
获取物体的原始扫描数据，将所述原始扫描数据上传至云计算系统；其中，所述云计算系统包括Master和设定数量的Worker；
通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境，以及：
将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务，将所述子任务分配给所述设定数量的Worker进行重建计算，并将所有Worker的重建计算结果进行整合，生成所述原始扫描数据的断层重建图像。
2.根据权利要求1所述的基于云计算的断层图像重建加速方法，其特征在于，所述原始扫描数据包括所述断层成像设备的探测器输出数据、扫描参数以及断层图像重建指标。
3.根据权利要求2所述的基于云计算的断层图像重建加速方法，其特征在于，所述将所述原始扫描数据上传至云计算系统前还包括：
对所述原始扫描数据进行无损压缩及加密处理。
4.根据权利要求3所述的基于云计算的断层图像重建加速方法，其特征在于，所述将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务前还包括：
对所述原始扫描数据进行解密、解压处理。
5.根据权利要求1所述的基于云计算的断层图像重建加速方法，其特征在于，所述生成所述原始扫描数据的断层重建图像后还包括：
通过所述Master将所述断层重建图像传输至云存储系统进行保存。
6.根据权利要求1至5任一项所述的基于云计算的断层图像重建加速方法，其特征在于，所述通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境包括：
在所述云计算系统上搭建Hadoop集群，并利用MapReduce框架进行断层图像的重建计算。
7.根据权利要求6所述的基于云计算的断层图像重建加速方法，其特征在于，所述利用MapReduce框架进行断层图像的重建计算包括：
制作机器镜像；
利用所述机器镜像实例化设定数量的虚拟服务器；
利用Master配置Hadoop集群；已知Master，选择一个虚拟服务器作为SecondaryNameNode，其余虚拟服务器作为Worker，利用本地计算机或远程操作Master配置各虚拟服务器上的Hadoop，启动各虚拟服务器上的Hadoop初始化，形成MapReduce计算集群；
启动MapReduce计算任务；将map()和reduce()函数上传至Master，利用HadoopStreaming运行MapReduce，MapReduce自动调用map()和reduce()函数进行断层图像的重建计算，并将重建结果存储至HDFS；
计算结束后，所述Master将计算结果从HDFS中下载并转存至云存储系统。
8.根据权利要求1至5任一项所述的基于云计算的断层图像重建加速方法，其特征在于，所述通过所述Master利用并行计算框架在所述云计算系统上配置并行计算环境还包括：
在所述云计算系统上搭建MPI集群，利用所述MPI框架进行断层图像的重建计算。
9.根据权利要求8所述的基于云计算的断层图像重建加速方法，其特征在于，所述利用所述MPI框架进行断层图像的重建计算包括：
制作机器镜像；
利用机器镜像实例化设定数量的虚拟服务器；
利用Master配置MPI集群；已知Master，将所述实例化的虚拟服务器作为Worker，将MPI相关函数上传至Master，所述Master将MPI集群配置为主从模式；
启动MPI计算任务；利用所述Master对所述原始扫描数据进行卷积滤波后，将所述重建指标和原始扫描数据发送给各个Worker，各个Worker按照所述重建指标对所述原始扫描数据进行反投影，得到断层图像；所述Master对各个Worker产生的断层图像进行归约，得到最终的断层重建图像；
所述Master将所述断层重建图像转存至云存储系统。
10.一种基于云计算的断层图像重建加速系统，其特征在于，包括：
断层成像设备：用于获取物体的原始扫描数据；
设备端计算机：用于将所述原始扫描数据上传至云计算系统；
所述云计算系统包括Master和设定数量的Worker；
所述Master利用并行计算框架在所述云计算系统上配置并行计算环境，将所述原始扫描数据的断层图像重建任务划分为设定数量的子任务，并将所述子任务分配给所述设定数量的Worker进行重建计算，将所有Worker的重建计算结果进行整合，生成所述原始扫描数据的断层重建图像。
11.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-9任一项所述的基于云计算的断层图像重建加速方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制基于云计算的断层图像重建加速。
12.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至9任一项所述基于云计算的断层图像重建加速方法。
CN202010518383.7A 2020-06-09 2020-06-09 基于云计算的断层图像重建加速方法、系统、终端以及存储介质 Pending CN111724451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518383.7A CN111724451A (zh) 2020-06-09 2020-06-09 基于云计算的断层图像重建加速方法、系统、终端以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518383.7A CN111724451A (zh) 2020-06-09 2020-06-09 基于云计算的断层图像重建加速方法、系统、终端以及存储介质

Publications (1)

Publication Number Publication Date
CN111724451A true CN111724451A (zh) 2020-09-29

Family

ID=72567831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518383.7A Pending CN111724451A (zh) 2020-06-09 2020-06-09 基于云计算的断层图像重建加速方法、系统、终端以及存储介质

Country Status (1)

Country Link
CN (1) CN111724451A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884633A (zh) * 2021-02-26 2021-06-01 上海联影医疗科技股份有限公司 图像重建装置、系统、方法、计算机设备及介质
CN116112306A (zh) * 2023-02-08 2023-05-12 广州市保伦电子有限公司 一种去中心化的网络交互方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9235889B1 (en) * 2012-06-11 2016-01-12 University Of Central Florida Research Foundation, Inc. Systems, apparatus and methods for collecting and storing raw scan data and software for performing data processing, image reconstruction and interpretation
CN105335215A (zh) * 2015-12-05 2016-02-17 中国科学院苏州生物医学工程技术研究所 一种基于云计算的蒙特卡洛仿真加速方法及系统
CN105872046A (zh) * 2016-03-30 2016-08-17 东北大学 一种ct设备的云端虚拟机控制系统及方法
CN106447775A (zh) * 2016-09-18 2017-02-22 电子科技大学 基于云计算的大规模曲面重建系统
US20170169564A1 (en) * 2014-02-03 2017-06-15 The United States Of America, As Represented By The Secretary, Dept. Of Health And Human Services System and apparatus for real-time processing of medical imaging raw data using cloud computing
US20180005415A1 (en) * 2015-12-28 2018-01-04 Shanghai United Imaging Healthcare Co., Ltd. System and method for reconstructing a computed tomography image
CN108492862A (zh) * 2018-02-01 2018-09-04 西安大数据与人工智能研究院 基于分布式ct终端机的医学影像云成像与判读方法及系统
CN109191541A (zh) * 2018-08-06 2019-01-11 沈阳晟诺科技有限公司 一种ct远程图像重建方法
CN109891513A (zh) * 2018-08-03 2019-06-14 深圳联影医疗科技有限公司 为医疗应用分配计算资源的系统和方法
US20190195976A1 (en) * 2017-12-22 2019-06-27 Siemens Healthcare Gmbh Cloud-based mr imaging
CN109978967A (zh) * 2019-03-22 2019-07-05 诸暨斯珈质子科技有限公司 基于云平台的分布式pet系统的处理方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9235889B1 (en) * 2012-06-11 2016-01-12 University Of Central Florida Research Foundation, Inc. Systems, apparatus and methods for collecting and storing raw scan data and software for performing data processing, image reconstruction and interpretation
US20170169564A1 (en) * 2014-02-03 2017-06-15 The United States Of America, As Represented By The Secretary, Dept. Of Health And Human Services System and apparatus for real-time processing of medical imaging raw data using cloud computing
CN105335215A (zh) * 2015-12-05 2016-02-17 中国科学院苏州生物医学工程技术研究所 一种基于云计算的蒙特卡洛仿真加速方法及系统
US20180005415A1 (en) * 2015-12-28 2018-01-04 Shanghai United Imaging Healthcare Co., Ltd. System and method for reconstructing a computed tomography image
CN105872046A (zh) * 2016-03-30 2016-08-17 东北大学 一种ct设备的云端虚拟机控制系统及方法
CN106447775A (zh) * 2016-09-18 2017-02-22 电子科技大学 基于云计算的大规模曲面重建系统
US20190195976A1 (en) * 2017-12-22 2019-06-27 Siemens Healthcare Gmbh Cloud-based mr imaging
CN108492862A (zh) * 2018-02-01 2018-09-04 西安大数据与人工智能研究院 基于分布式ct终端机的医学影像云成像与判读方法及系统
CN109891513A (zh) * 2018-08-03 2019-06-14 深圳联影医疗科技有限公司 为医疗应用分配计算资源的系统和方法
CN109191541A (zh) * 2018-08-06 2019-01-11 沈阳晟诺科技有限公司 一种ct远程图像重建方法
CN109978967A (zh) * 2019-03-22 2019-07-05 诸暨斯珈质子科技有限公司 基于云平台的分布式pet系统的处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭文亮;: "Hadoop环境下医学影像存储的设计", 中国医疗设备, vol. 32, no. 09, pages 115 - 117 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884633A (zh) * 2021-02-26 2021-06-01 上海联影医疗科技股份有限公司 图像重建装置、系统、方法、计算机设备及介质
WO2022179631A1 (en) * 2021-02-26 2022-09-01 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image reconstruction
CN112884633B (zh) * 2021-02-26 2022-12-23 上海联影医疗科技股份有限公司 图像重建装置、系统、方法、计算机设备及介质
CN116112306A (zh) * 2023-02-08 2023-05-12 广州市保伦电子有限公司 一种去中心化的网络交互方法、装置、设备及存储介质
CN116112306B (zh) * 2023-02-08 2024-02-13 广东保伦电子股份有限公司 一种去中心化的网络交互方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Meng et al. Ultrafast and scalable cone‐beam CT reconstruction using MapReduce in a cloud computing environment
CN104536937B (zh) 基于cpu‑gpu异构集群的大数据一体机实现方法
CN114880133A (zh) 分布式计算系统，分布式计算系统中数据传输方法和装置
CN110781082A (zh) 接口的测试用例的生成方法及装置、介质和设备
CN110580197A (zh) 大型模型深度学习的分布式计算架构
CN102067085A (zh) 用于向远程客户机虚拟传送软件应用程序的方法和系统
CN105408873A (zh) 诊断数据的基于活动的采样
CN111724451A (zh) 基于云计算的断层图像重建加速方法、系统、终端以及存储介质
DE102021206537A1 (de) Schnittstellenübersetzung unter verwendung eines oder mehrerer neuronaler netzwerke
Huo et al. Towards portable large-scale image processing with high-performance computing
DE102021110051A1 (de) Bildkennzeichnung mit einem oder mehreren neuronalen netzen
DE102021206615A1 (de) Charakterisierung von anomalien unter verwendung eines oder mehrerer neuronaler netzwerke
CN116643938A (zh) 安全数据中心的健康监测
Qiao et al. An HTML5-based pure website solution for rapidly viewing and processing large-scale 3D medical volume reconstruction on mobile internet
Mirarab et al. A cloud solution for medical image processing
US20170186129A1 (en) Method and system for reviewing medical study data
Cudennec Software-distributed shared memory over heterogeneous micro-server architecture
DE102023113043A1 (de) Codeerzeugungsverfahren
Prescher et al. Flexible sharing and replication mechanisms for hybrid memory architectures
CN105808354A (zh) 利用WLAN网络组建临时Hadoop环境的方法
DE112022003854T5 (de) Anwendungsmanagement-Plattform für hyperkonvergente Cloud-Infrastrukturen
Mahmoudi et al. Real time web-based toolbox for computer vision
Serrano et al. A cloud environment for ubiquitous medical image reconstruction
Liu et al. GATE Monte Carlo simulation of dose distribution using MapReduce in a cloud computing environment
Jomier et al. A digital archiving system and distributed server-side processing of large datasets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination