Επιτάχυνση σημειακών μεθόδων ευθυγράμμισης δεδομένων χρησιμοποιώντας κάρτες γραφικών γενικού σκοπού

Βαρνάβα, Βαρνάβας; Varnava, Varnavas

dc.contributor.author	Βαρνάβα, Βαρνάβας	el
dc.contributor.author	Varnava, Varnavas	en
dc.date.accessioned	2017-05-10T09:07:55Z
dc.date.available	2017-05-10T09:07:55Z
dc.date.issued	2017-05-10
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44858
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14158
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	Γεωμετρικοί περιγραφητές	el
dc.subject	Κάθετα διανύσματα	el
dc.subject	Παραλληλισμός	el
dc.subject	Γραφική μονάδα επεξεργασίας	el
dc.subject	Registration	en
dc.subject	Geometric descriptors	en
dc.subject	Normals	en
dc.subject	Parallelism	en
dc.subject	Graphics processing unit	en
dc.title	Επιτάχυνση σημειακών μεθόδων ευθυγράμμισης δεδομένων χρησιμοποιώντας κάρτες γραφικών γενικού σκοπού	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική μηχανική	el
heal.classificationURI	http://data.seab.gr/concepts/e21d30fc29c7c38310b1b9c23590a18fd030f6f2
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-03-01
heal.abstract	Η ιατρική τεχνολογία αναπτύσσεται ραγδαία τα τελευταία χρόνια, αφού καθημερινά νέες τεχνολογίες είναι διαθέσιμες και βοηθούν τους γιατρούς παγκοσμίως να βελτιώνουν την ζωή των πολιτών και να σώζουν ζωές. Ένα σημαντικό μέρος της ιατρικής τεχνολογίας είναι η απεικόνιση των ιατρικών δεδομένων, τα οποία βοηθούν στη διάγνωση διαφόρων ασθενειών και σε επιστημονικές μελέτες για εξεύρεση θεραπειών. Αυτά τα ψηφιακά ιατρικά δεδομένα απεικόνισης, μπορούν πλέον να συγκρίνονται και να συνδυάζονται για την καλύτερη εκμετάλλευση των πληροφοριών που λαμβάνονται με τις διάφορες απεικονιστικές τεχνικές. Προκύπτει λοιπόν πολλές φορές η ανάγκη, να συγκριθούν δεδομένα που λήφθηκαν σε διαφορετικές χρονικές στιγμές, για να διαφανεί η εξέλιξη των ασθενειών και τα αποτελέσματα των θεραπειών ενός ασθενή. Επιπλέον μπορούν να συγκριθούν εικόνες σε επιλεγμένες ομάδες του πληθυσμού για ερευνητικούς σκοπούς και για την βελτιστοποίηση των ιατρικών τεχνικών. Η ευθυγράμμιση αυτών των δεδομένων κρίνεται λοιπόν αναγκαία και χρειάζεται να είναι γρήγορη, ακριβής και αποτελεσματική. Στην παρούσα διπλωματική εργασία χρησιμοποιούνται τεχνικές σημειακής ευθυγράμμισης για την ευθυγράμμιση ιατρικών δεδομένων, με ευρέως γνωστούς αλγορίθμους. Αυτοί οι αλγόριθμοι όμως έχουν περιορισμούς κατά την εφαρμογή τους σε συμβατικές μονάδες κεντρικής επεξεργασίας, λόγω κυρίως της πολυπλοκότητας τους και της μεγάλης μνήμης που απαιτείται για να εκτελεστούν. Για να αποφύγουμε τα προβλήματα αυτά, υλοποιούμε το πρόγραμμα ευθυγράμμισης με την βοήθεια του προγραμματιστικού μοντέλου CUDA (Compute Unified Device Architecture). Στα πλαίσια αυτής της εργασίας περιγράφεται η διαδικασία της ευθυγράμμισης, οι γεωμετρικοί περιγραφητές, το προγραμματιστικό μοντέλο CUDA και η διαδικασία που ακολουθήθηκε για την υλοποίηση του προγράμματος ευθυγράμμισης με κάθετα διανύσματα και με FPFH (Fast Point Feature Histograms) στην γραφική μονάδα επεξεργασίας. Η ευθυγράμμιση επιτυγχάνεται μέσω κατάλληλου γεωμετρικού μετασχηματισμού, που εξομαλύνει τις γεωμετρικές αποκλίσεις ανάμεσα στα δεδομένα. Ο μετασχηματισμός προκύπτει με την ταύτιση σημείων μεταξύ των δυο συνόλων δεδομένων. Η ταύτιση γίνεται εφικτή μέσω της σύγκρισης των σημείων με βάση τους γεωμετρικούς περιγραφητές, οι οποίοι περιέχουν πληροφορίες για τις γεωμετρικές ιδιότητες της περιοχής γύρω από κάθε σημείο. Έτσι τα σημεία περιγράφονται μοναδικά. Το προγραμματιστικό μοντέλο CUDA έχει εφευρεθεί από την NVIDIA και με την εκμετάλλευση του, καλύπτεται η ανάγκη για γρηγορότερους υπολογισμούς. Το μοντέλο αυτό ανήκει στην οικογένεια του GPGPU (General Purpose Computing on Graphics Processing Units), δηλαδή γίνεται εφικτή η εκτέλεση προγραμμάτων γενικής χρήσης σε γραφικές μονάδες επεξεργασίας, που είναι πιο γρήγορες από τις κεντρικές μονάδες επεξεργασίας. Η συνολική διαδικασία που ακολουθείται στην ευθυγράμμιση ιατρικών εικόνων με τη χρήση των δύο γεωμετρικών περιγραφητών αναπτύσσεται λεπτομερώς. Γίνεται παραλληλοποίηση των υπολογισμών εξαγωγής των περιγραφητών και μελέτη για τις παραμέτρους που εισάγονται στο πρόγραμμα για την βελτιστοποίηση του. Στο τέλος, παρατίθενται τα αποτελέσματα ευθυγράμμισης ιατρικών απεικονιστικών δεδομένων με CPU και GPU και διαφαίνεται η σημαντικότητα του μοντέλου CUDA.	el
heal.abstract	Medical technology is rapidly developing in the recent years, since everyday new technologies are available and help doctors worldwide to improve the lives of citizens and to save lives. An important part of medical technology is the depiction of medical data, which helps in diagnosing diseases and in finding cures and new treatments. These digital medical data can now be compared and combined for better exploitation of the information that is collected from various acquisition methods. So the need for comparing data taken from different time periods emerges, so that the evolution of diseases or the results of a patient's treatments become transparent. Also, images taken from selected groups of people can be compared for research purposes and the optimization of medical practices. The alignment of these data therefore appears necessary and it needs to be fast, accurate and effective. In this thesis point alignment techniques are used in order to align medical data, with the use of well-known algorithms. However these algorithms have limitations when applied to conventional central processing units, mainly due to their complexity and the large memory space required to run. To avoid these problems, we implement the alignment program with the help of the integrated programming model CUDA (Compute Unified Device Architecture). This thesis describes the alignment process, geometric descriptors, the programming model CUDA and the procedure followed for the implementation of the alignment program, with normal vectors and FPFH (Fast Point Feature Histograms) descriptors, in the graphics processing unit. The alignment is achieved by suitable geometric transformation, which normalizes the geometrical differences between the data. The transformation occurs by matching points between the two data sets. The identification is made possible through the comparison of the points on the basis of geometrical descriptors, which contain information on the geometric properties of the area around each point. Therefore the points are described individually. The CUDA programming model was invented by NVIDIA and by taking advantage of this model the need for faster calculations is met. This model belongs to the family of GPGPU (General Purpose Computing on Graphics Processing Units), meaning that it becomes possible to perform general-purpose programs in graphic processing units, which is faster than the CPUs. The overall procedure followed in the alignment of medical images using both geometric descriptors is discussed in detail. Parallelization of the descriptors export calculations and study of the parameters entered in the program for its optimization, are made in this thesis. In the end, the results of the alignment of medical imaging data with CPU and GPU are shown and the importance of the CUDA model is revealed.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	111 σ.
heal.fullTextAvailability	true