کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4955173 1444179 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Parallel genetic-based algorithm on multiple embedded graphic processing units for brain magnetic resonance imaging segmentation
ترجمه فارسی عنوان
الگوریتم ژنتیکی موازی روی واحدهای چندگانه ی پردازش گرافیکی تعبیه شده برای بخش بندی تصویربرداری تشدیدی مغناطیسی مغز
فهرست مطالب مقاله
چکیده 

کلمات کلیدی

1.مقدمه

2- الگوریتم

1.2 خوشه بندی سی- میانگین فازی

شکل 1- فلوچارت الگوریتم خوشه بندی سی- میانگین مبتنی بر GPU 

2.2 الگوریتم خوشه بندی سی- میانگین فازی مبتنی بر GPU

شکل 2- فلوچارت الگوریتم خوشه بندی سی- میانگین فازی مبتنی بر ژنتیک روی چندین GPU. 

شکل 3- عملیات ژنتیکی در GFCM2G

جدول 1- مقایسه ی راندمان های محاسباتی GFCM2G و PGAFCM با اندازه جمعیت ها و تعداد دستگاه های مختلف. 

3.2 خوشه بندی سی- میانگین فازی مبتنی بر ژنتیک موازی روی چندین GPU

شکل 4- شبه کد الگوریتم خوشه بندی سی- میانگین مبتنی بر ژنتیک روی چندین GPU.

شکل 5- تصویر ام آر مغزی با وزن T2.

3- آزمایش

1.3 مقایسه ی راندمان بخش بندی

2.3 مقایسه ی راندمان محاسباتی

شکل 6- تصاویر بخش بندی ام آر مغز با استفاده از GFCM2G. (a) اندازه جمعیت = 30، (b) اندازه جمعیت= 60، (c) اندازه جمعیت= 90، (d) اندازه جمعیت= 120، (e) اندازه جمعیت = 150 و (f) اندازه جمعیت= 180

شکل 7- سرعت GFCM2G روی چند دستگاه GPU نسبت به FCM مبتنی بر GPU روی دستگاه تک GPU با اندازه جمعیت مختلف عالی است.

شکل 8- سرعت GFCM2G نسبت به GAFCM روی چندین CPU عالی است (اندازه جمعیت 180 است)

شکل 9- مقایسه ی راندمان GFCM2G برای تعداد بلوک و تردهای مختلف روی تعداد مختلف دستگاه های TK1 (مثلا 1024 ∗128 مشخص می کند که تعداد بلوک ها و تردها بترتیب 1024 و 128 است).

شکل 10- مقایسه ی زمان های مقداردهی اولیه ی MPI برای تعداد مختلف دستگاه های TK1

4- نتیجه گیری
ترجمه چکیده
تصویربرداری پزشکی نقش مهمی دارد و در تشخیص های بالینی به متخصصین کمک می کند. فناوری تصویربرداری تشدیدی مغناطیسی در تصویربرداری آناتومی مغز استفاده شده است. بخش بندی تصویر بطورشاخص در مشاهده ی ساختارهای آناتومی مغز و تغییرات آن و شناسایی نواحی پاتولوژی استفاده می شود. الگوریتم کارآمد خوشه‌بندی سی-میانگین فازی موازی را برای بخش بندی تصاویر روی سامانه های چندگانه ی واحد پرداز گرافیکی تعبیه شده بنام NVIDIA TK1 در این مقاله مطرح می کنیم. بیشینه سرعت الگوریتم مطروحه روی 15 TK1s بزرگتر از 12 برابر و 7 برابر نسبت به الگوریتم سی- میانگین فازی با ARM واحد و سی پی یوهای Intel Xeon بترتیب با نتایج آزمایشگاهی اثبات می شوند. نتایج حاکی از آن است که پیچیدگی و چالش های مسئله ی بخش بندی تصویربرداری تشدیدی مغناطیسی مغز ازطریق الگوریتم کاملاً عنوان می شوند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
Medical imaging has played an important role in helping physicians to make clinical diagnoses. Magnetic resonance imaging technology has been used to image the anatomy of the brain. Typically, image segmentation is utilized to observe the brain's anatomical structures and its changes, and to identify pathological regions. In this paper, we propose an efficient parallel fuzzy c-means clustering algorithm for segmenting images on multiple embedded graphic processing unit systems, NVIDIA TK1. The experimental results demonstrate that the maximum speedups of the proposed algorithm on 15 TK1s greater than 12 times and 7 times than that of fuzzy c-means algorithm with single ARM and Intel Xeon CPUs, respectively. These experimental results show that the proposed algorithm can significantly address the complexity and challenges of the brain magnetic resonance imaging segmentation problem.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Electrical Engineering - Volume 61, July 2017, Pages 373-383
نویسندگان
, ,