APP下载

基于TensorFlow的并行化FBP方法

2020-10-23朱炯滔

数字制造科学 2020年3期
关键词:方法

朱炯滔,王 成

(武汉理工大学 机电工程学院,湖北 武汉 430070)

计算机层析成像(CT成像)是医学影像领域一种十分重要的成像方法,该方法可以有效地反映人体内部的组织结构、组成成分等信息[1-2]。深度学习技术的迅猛发展为CT成像带来了新的机遇。2017年,BoZhu等[3]提出了在神经网络中构建全连层来学习医学图像中的重建算法,但构建全连接层必然会产生规模庞大的神经网络参数,运行时不仅对计算资源消耗巨大还会增加时间成本[4]。针对上述问题,笔者提出一种支持GPU(graphics processing unit)并行化计算的FBP(filter back projection)方法,该方法在深度学习平台Tensorflow下实现。

1 相关技术介绍

1.1 TensorFlow

TensorFlow是由Google DeepMind团队开发为机器学习和深度学习提供支持的一种开源软件平台[5],其具有高度的可移植性,用户可以轻松地将其部署在多种计算设备上。相对于市面上其他的深度学习框架,TensorFlow在性能、通用性、灵活性、语言支持等方面都具有较大的优势[6]。TensorFlow使用数据流图进行数值计算,节点(OP)表示数学操作,线则表示节点间相互联系的张量(tensor)。TensorFlow也开放了自定义的OP编程接口,用户可以根据自己的需求来添加数学函数。鉴于TensorFlow具有以上优点,笔者提出了在TensorFlow平台上并行化FBP实现方法。

1.2 FBP算法

滤波反投影算法(FBP)是一种经典的CT图像重建算法,该算法兼顾了重建质量和重建时间两个CT性能指标,是目前应用最广泛的CT重建算法[7]。因此使用支持GPU并行化计算的FBP方法具有重要的现实意义[8-9]。

2 FBP过程并行化实现

2.1 FBP算法的并行化计算分析

FBP算法的投影几何如图1所示,SO为X射线源,SOP为中心射线,点O为旋转中心,中心线向两端的张开角度都为γm,锥形的位置由中心射线SOP与y轴的夹角β决定,同一锥形中的任意射线SOE都可由转角γ确定。……

登录APP查看全文

猜你喜欢

方法
中医特有的急救方法
高中数学教学改革的方法
化学反应多变幻 “虚拟”方法帮大忙
变快的方法
学习方法
用对方法才能瘦
最有效的简单方法
四大方法 教你不再“坐以待病”!
赚钱方法
捕鱼