Ευθυγράμμιση τρισδιάστατων ιατρικών δεδομένων με χρήση μονάδων επεξεργασίας γραφικών γενικής χρήσης

Φόρμας, Ανδρέας; Formas, Andreas

dc.contributor.author	Φόρμας, Ανδρέας	el
dc.contributor.author	Formas, Andreas	en
dc.date.accessioned	2016-07-11T07:08:21Z
dc.date.available	2016-07-11T07:08:21Z
dc.date.issued	2016-07-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43048
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.11695
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ευθυγράμμιση	el
dc.subject	Παραλληλισμός	el
dc.subject	Γεωμετρικοί περιγραφητές	el
dc.subject	Κάθετα διανύσματα	el
dc.subject	Νέφος σημείων	el
dc.subject	Point cloud	en
dc.subject	Parallelism	en
dc.subject	Registration	en
dc.subject	Geometric descriptors	en
dc.subject	Normals	en
dc.title	Ευθυγράμμιση τρισδιάστατων ιατρικών δεδομένων με χρήση μονάδων επεξεργασίας γραφικών γενικής χρήσης	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική τεχνολογία και εμβιομηχανική	el
heal.classificationURI	http://data.seab.gr/concepts/889a79cd27f1653c233596d2ccc86569e4e1aae5
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-06-27
heal.abstract	Κατά την εξέταση ψηφιακών ιατρικών δεδομένων, προκύπτει πολλές φορές η ανάγκη να γίνει σύγκριση ανάμεσα σε δεδομένα που έχουν ληφθεί σε διαφορετικές χρονικές στιγμές. Αυτή η περίπτωση εντοπίζεται συνήθως στην αξιολόγηση της μετεγχειρητικής κατάστασης ενός ασθενούς ή ακόμα και σε εύρεση διαφορών ανάμεσα σε ένα ευρύ σύνολο του γενικότερου πληθυσμού. Η πρώτη περίπτωση είναι ιδιαίτερα σημαντική καθώς μπορεί να γίνει εφικτό να ποσοτικοποιηθούν οι αλλαγές, για παράδειγμα μέσω τεχνικών αφαιρετικής ραδιογραφίας, που έχουν επέλθει εφαρμόζοντας ένα συγκεκριμένο εγχειρητικό πρωτόκολλο, δίνοντας έτσι στον ιατρό μια πρώτη εικόνα της βελτίωσης ή όχι της κατάστασης του ασθενούς. Η δεύτερη περίπτωση είναι απαραίτητη στην εύρεση κοινών χαρακτηριστικών σε ομάδες του πληθυσμού, καθιστώντας έτσι εφικτή την εξαγωγή ορθότερων και γενικότερων ιατρικών συμπερασμάτων. Για να μπορέσουν να υλοποιηθούν τέτοιες λειτουργικότητες, απαιτείται τα επιμέρους δεδομένα να υποστούν μια συγκεκριμένη επεξεργασία, την ευθυγράμμιση. Για το σκοπό αυτό, η παρούσα διπλωματική εργασία αρχίζει με την περιγραφή της διαδικασίας της ευθυγράμμισης η οποία έχει ως στόχο την εύρεση κατάλληλου γεωμετρικού μετασχηματισμού, ο οποίος εξάγεται με την εκμετάλλευση των γεωμετρικών περιγραφητών, στοιχεία τα οποία ποσοτικοποιούν τις γεωμετρικές ιδιότητες των υπό εξέταση δεδομένων. Ο γεωμετρικός αυτός μετασχηματισμός επιτυγχάνει την εξομάλυνση των γεωμετρικών αποκλίσεων ανάμεσα σε διαφορετικές απεικονίσεις του ίδιου αντικειμένου. Αυτός ο μετασχηματισμός προκύπτει με τον προσδιορισμό των ταυτισμένων σημείων μεταξύ των δυο συνόλων δεδομένων, ο οποίος δύναται με την πραγματοποίηση σύγκρισης των σημείων με βάση τους γεωμετρικούς περιγραφητές. Ένας γεωμετρικός περιγραφητής είναι ικανός να κωδικοποιεί συμπυκνωμένη πληροφορία για τις γεωμετρικές ιδιότητες μίας καθορισμένης περιοχής γύρω από ένα σημείο, με στόχο την μοναδική περιγραφή και αναγνώρισή του σε όλο το σύνολο των σημείων, χωρίς να επηρεάζεται από το θόρυβο ή την πυκνότητα του σημειακού νέφους. Ο καθένας από αυτούς χρησιμοποιεί διαφορετικά γεωμετρικά χαρακτηριστικά και υπολογίζεται με διαφορετικό τρόπο. Ακολούθως, γίνεται εκτενής ανάλυση του προγραμματιστικού μοντέλου CUDA (Compute Unified Device Architecture), το οποίο έχει εφευρεθεί από την NVIDIA, μέσω του οποίου καθίσταται δυνατή η εκμετάλλευση των γραφικών μονάδων επεξεργασίας γενικής χρήσης (GPGPU – General Purpose Computing on Graphics Processing Units), οι οποίες κατέχουν χαρακτηριστικά μεγαλύτερη υπολογιστική ικανότητα σε σχέση με τις συμβατικές κεντρικές μονάδες επεξεργασίας (CPU – Central Processing Unit). Στη συνέχεια, περιγράφεται το κλιμακωτό προγραμματιστικό μοντέλο, οι ειδικές προγραμματιστικές λειτουργίες kernels, η ιεραρχία μεταξύ των παράλληλων νημάτων επεξεργασίας καθώς και οι βασικές αρχές στην ιεραρχία μνήμης των γραφικών μονάδων επεξεργασίας GPGPU. Τέλος, παρατίθεται η συνολική ροή της διαδικασίας που ακολουθείται στην ευθυγράμμιση ιατρικών εικόνων με τη χρήση του γεωμετρικού περιγραφητή κάθετων διανυσμάτων. Γίνεται λεπτομερής ανάλυση του τρόπου με τον οποίο έχει πραγματοποιηθεί η παραλληλοποίηση του αλγορίθμου υπολογισμού των κάθετων διανυσμάτων, ο οποίος στη συνέχεια δύναται να εκτελεστεί με τη βοήθεια των πολυ-νηματικών γραφικών μονάδων επεξεργασίας γενικού σκοπού (GPGPU). Παράλληλα, πραγματοποιείται μελέτη για τις βέλτιστες παραμέτρους που θα πρέπει να εισαχθούν στον αλγόριθμο, έτσι ώστε να γίνεται πλήρης εκμετάλλευση των διαθέσιμων πόρων με το καλύτερο δυνατό αποτέλεσμα. Επιπρόσθετα, παρουσιάζονται και συγκρίνονται διάφορα αποτελέσματα ευθυγράμμισης ιατρικών απεικονιστικών δεδομένων, τα οποία προέκυψαν από την εφαρμογή των μεθόδων σε CPU και GPGPU.	el
heal.abstract	During the examination of digital medical data, it is crucial to perform a comparison between data which were obtained at different time periods. This comparison, is usually needed during the evaluation of the postoperative state of a patient or even for the estimation of the differences between a large set of the general population. The first case is particularly important as it allows the quantification of the changes, for example by subtractive radiography techniques, which has been extracted by applying a specific operative protocol, giving the doctor a clear image on the first improvements of the patient's condition. The latter case is necessary in order to find common characteristics in the population, thus enabling the extraction of better medical and general conclusions. In order to implement such functionalities, individual data is required to be subjected to a specific processing, the alignment. Towards this direction, this thesis begins with a description of the process of alignment that aims at finding an appropriate geometric transformation, which is calculated by exploiting geometric descriptors (elements that quantify the geometrical properties of the subject’s data under consideration). The geometric transformation achieves smooth spatial deviations between different representations of the same object. This transformation occurs by identifying correspondences (similar points) between the two data sets, which is calculated via comparison of the points’ geometric descriptors. A geometric descriptor is capable of encoding condensed information on the geometric properties of a specified area around a query point in order to uniquely describe it and recognize it, among the whole set of points, without being affected by noise or the density of the point cloud. Each of them, uses different geometric features and is calculated in a different manner. Furthermore, in this study the programming model CUDA (Compute Unified Device Architecture, invented by NVIDIA) is extensively analyzed, through which it becomes possible to exploit the graphical universal processing units (GPGPU - General Purpose Computing on Graphics Processing Units). These units, have significantly more computing power compared to conventional central processing units (CPU - Central Processing Unit). In the subsequent sections, the scalable programming model described, as well as the special programming kernels functions, hierarchy between the parallel processing threads and the basic principles on the memory hierarchy of the GPGPU. Finally, the geometric descriptor of normal vectors, is utilized in the overall processing pipeline of the alignment in order to spatially register three-dimensional medical data. A detailed analysis is carried out of how the parallelization algorithm for calculating the normal vectors is implemented, which can then be executed on multi-threaded general purpose graphics processing units (GPGPU). In addition, thorough analysis has resulted the optimal parameters to be inserted in the algorithm, so as to make full use of the available resources. Finally, alignment results of medical imaging data are presented and compared between two different implementation approaches, utilizing CPU and GPGPU.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Κουτσούρης, Δημήτρης	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	true