【摘要】 本发明涉及一种基于CUDA架构的GPU加速锥束CT图像重建的方法；具体为：在CUDA编程模型中，采用GPU进行锥束CT图像重建算法的运算，锥束CT图像重建采用FDK算法，构建CPU和GPU协作的CPU-GPU异构计算模式，将算法划分为M个子任务，每个子任务的结构包括两个部分：数据和在数据上施加的运算，根据各个子任务的特点将其调度到不同的硬件上执行，子任务分为串行子任务和并行子任务，其中，CPU负责子任务的调度和串行子任务的执行，GPU负责并行子任务的执行，CPU与GPU之间通过PCI-E总线进行通信；本发明提供了一种计算速度快的基于CUDA架构的GPU加速锥束CT图像重建的方法。 【专利类型】发明授权 【申请人】中国人民解放军信息工程大学 【申请人类型】学校 【申请人地址】450002 河南省郑州市金水区俭学街7号 【申请人地区】中国 【申请人城市】郑州市 【申请人区县】金水区 【申请号】CN201210010806.X 【申请日】2012-01-13 【申请年份】2012 【公开公告号】CN102609978B 【公开公告日】2014-01-22 【公开公告年份】2014 【授权公告号】CN102609978B 【授权公告日】2014-01-22 【授权公告年份】2014.0 【IPC分类号】G06T17/00; G06T1/20 【发明人】陈庶民; 韩玉; 闫镔; 江桦; 陈健; 张峰; 周俊 【主权项内容】一种基于CUDA架构的GPU加速锥束CT图像重建的方法，在CUDA编程模型中，采用GPU进行锥束CT图像重建算法的运算，锥束CT图像重建算法采用FDK算法，其特征是：构建CPU和GPU协作的CPU-GPU异构计算模式，CPU被称为主机，GPU被称为设备；在CPU-GPU异构计算模式中，利用GPU进行锥束CT图像重建算法的运算时，将算法划分为M个子任务，M为大于等于1的自然数，每个子任务的结构包括两个部分：数据和在数据上施加的运算，根据各个子任务的特点将其调度到不同的硬件上执行，子任务分为串行子任务和并行子任务，其中，CPU负责子任务的调度和串行子任务的执行，GPU负责并行子任务的执行，CPU与GPU之间通过PCI-E总线进行通信；FDK算法中含有加权步骤和滤波步骤，采用下列方式对加权步骤和滤波步骤进行加速：加权步骤选择在CPU或GPU中完成；利用CUDA编程模型中自带的CUFFT库对投影数据做频域滤波，滤波时还利用了FFT函数能够同时处理一批一维傅里叶变换的特性，并且根据复数FFT变换的特点，一次对投影数据的两行做滤波；对FDK算法中反投影部分的加速有以下列三个策略：策略1、线程分配方式的优化；策略2、通过使用常数存储器存储计算反投影参数时的中间量，减少GPU的重复计算量；策略3、通过优化一个内核函数中反投影的张数，减少访问全局存储器的次数；策略1具体为：采用基于体素的驱动方式，即按输出对GPU的任务进行划分；在GPU的流多处理器占用率和每个线程完成的计算量间选择一个平衡点，使GPU的性能发挥到最佳；策略2具体为：将反投影运算中与体素无关的变量进行分离和合并，并在反投影前将这些变量计算出来存于GPU的常数存储器中，反投影运算时，直接读取常数存储器中的变量参与计算；策略3具体为：一个内核函数完成m个角度投影图像的反投影，m为大于等于2的自然数，每个内核函数需要计算m个角度投影图像的反投影参数。 【当前权利人】中国人民解放军信息工程大学 【当前专利权人地址】河南省郑州市金水区俭学街7号 【引证次数】3.0 【被引证次数】5 【他引次数】3.0 【被他引次数】5.0 【家族引证次数】3.0 【家族被引证次数】55

未经允许不得转载：http://www.zhongzhencnc.com/1791225042.html