Достижения IBM в области медицины
Специалисты медицинского центра Mayo Clinic и корпорации IBM реализовали возможности архитектуры параллельных вычислений и пропускной способности оперативной памяти для значительного ускорения обработки трехмерных медицинских изображений. Подобное повышение производительности позволяет существенно ускорить выполнение задач по совмещению изображений, полученных в разные дни или с использованием различных устройств, в трехмерном пространстве.
Возможность точного наложения одного изображения на другое позволяет рентгенологам проще выявлять структурные изменения, такие как увеличение или уменьшение размеров опухоли. Одним из методов улучшения медицинских изображений является использование снимков, получаемых из нескольких источников, — например из систем магниторезонансной и компьютерной томографии. Объединение компьютерных изображений из множества источников должно начинаться с точного совмещения визуальных данных. А если изображения являются трехмерными и содержат миллионы пикселей, то эта задача становится чрезвычайно сложной, и для ее выполнения необходима более высокая скорость вычислений.
В ходе реализации данного проекта специалисты Mayo Clinic и IBM использовали 98 наборов изображений и оптимизированное приложение для их сведения, выполняемое на системе IBM BladeCenter QS20, сравнивая полученные результаты с результатами выполнения исходного приложения на системе с обычной процессорной конфигурацией. Приложение, работающее на системе с обычной процессорной конфигурацией, завершило сведение всех 98 наборов изображений примерно за 7 часов. Приложение, реализующее алгоритм трехмерного линейного сведения на базе «взаимной информации» и оптимизированное для процессора Cell/B.E., выполнило задачу сведения всех 98 наборов изображений всего за 516 секунд, причем ни одна из процедур сведения не выполнялась дольше 20 секунд.
Трехмерный линейный алгоритм основывается на поиске наилучшего пространственного позиционирования для максимального использования объемов информации, полученной от двух изображений, повышая тем самым качество и сокращая продолжительность выборочного исследования. Прирост эффективности был достигнут благодаря кэшированию данных в кубоидах, или «кирпичах», поэтому при дискретизации изображений не «терялись» пиксели. Если выборочное отношение было сравнительно низким, проводилась последовательная упаковка дискретизованных изображений (в «ленту изображения»), чтобы быстрее извлекать данные при необходимости.
IBM
Возможность точного наложения одного изображения на другое позволяет рентгенологам проще выявлять структурные изменения, такие как увеличение или уменьшение размеров опухоли. Одним из методов улучшения медицинских изображений является использование снимков, получаемых из нескольких источников, — например из систем магниторезонансной и компьютерной томографии. Объединение компьютерных изображений из множества источников должно начинаться с точного совмещения визуальных данных. А если изображения являются трехмерными и содержат миллионы пикселей, то эта задача становится чрезвычайно сложной, и для ее выполнения необходима более высокая скорость вычислений.
В ходе реализации данного проекта специалисты Mayo Clinic и IBM использовали 98 наборов изображений и оптимизированное приложение для их сведения, выполняемое на системе IBM BladeCenter QS20, сравнивая полученные результаты с результатами выполнения исходного приложения на системе с обычной процессорной конфигурацией. Приложение, работающее на системе с обычной процессорной конфигурацией, завершило сведение всех 98 наборов изображений примерно за 7 часов. Приложение, реализующее алгоритм трехмерного линейного сведения на базе «взаимной информации» и оптимизированное для процессора Cell/B.E., выполнило задачу сведения всех 98 наборов изображений всего за 516 секунд, причем ни одна из процедур сведения не выполнялась дольше 20 секунд.
Трехмерный линейный алгоритм основывается на поиске наилучшего пространственного позиционирования для максимального использования объемов информации, полученной от двух изображений, повышая тем самым качество и сокращая продолжительность выборочного исследования. Прирост эффективности был достигнут благодаря кэшированию данных в кубоидах, или «кирпичах», поэтому при дискретизации изображений не «терялись» пиксели. Если выборочное отношение было сравнительно низким, проводилась последовательная упаковка дискретизованных изображений (в «ленту изображения»), чтобы быстрее извлекать данные при необходимости.
IBM
