High Performance Deformable Image Registration Algorithms for Manycore Processors

الگوریتم‌های ثبت تصویر قابل تغییر شکل‌پذیر با کارایی بالا برای پردازنده‌های Manycore الگوریتم‌های ثبت تصویر بسیار موازی داده را برای استفاده در معماری‌های چند هسته‌ای مدرن، از جمله واحدهای پردازش گرافیکی (GPU) توسعه می‌دهند. با تمرکز بر ثبت تغییر شکل، ما نشان می‌دهیم که چگونه نسخه‌های موازی داده‌ای از الگوریتم ثبت را مناسب برای اجرا در GPU ایجاد کنیم. ثبت تصویر فرآیند تراز کردن دو یا چند تصویر در یک قاب مختصات مشترک است و یک گام اساسی برای مقایسه یا ترکیب داده های به دست آمده از اندازه گیری های مختلف حسگر است. استخراج اطلاعات مفید از داده های 2 بعدی/3 بعدی برای تحقق فناوری های کلیدی زیربنای زندگی روزمره ما ضروری است. مثال‌ها شامل وسایل نقلیه خودمختار و ربات‌های انسان‌نما است که می‌توانند با استفاده از دید استریو و سنجش لیزر و تصویربرداری پزشکی، اشیاء را در محیط‌های بهم ریخته شناسایی و دستکاری کنند تا تومورها را در اندام‌های داخلی با استفاده از داده‌های گرفته شده توسط اسکن‌های CT/MRI شناسایی و تشخیص دهند.

این کتاب نشان می‌دهد:

• چگونه الگوریتم‌های ثبت تصویر پرکاربرد را دوباره طراحی کنیم تا به بهترین نحو موازی‌سازی زیربنایی موجود در این الگوریتم‌ها را نمایان کنیم
• چگونه الگوریتم‌های موازی را نشان داده و پیاده‌سازی کنیم. نسخه‌هایی از الگوریتم‌ها در یک دستورالعمل واحد، مدل داده‌های چندگانه (SIMD) پشتیبانی شده توسط پردازنده‌های گرافیکی
• برنامه‌نویسی \"ترفندها\" که می‌تواند به خوانندگان کمک کند تا سایر الگوریتم‌های پردازش تصویر را توسعه دهند، از جمله الگوریتم‌های ثبت برای GPU

High Performance Deformable Image Registration Algorithms for Manycore Processors develops highly data-parallel image registration algorithms suitable for use on modern multi-core architectures, including graphics processing units (GPUs). Focusing on deformable registration, we show how to develop data-parallel versions of the registration algorithm suitable for execution on the GPU. Image registration is the process of aligning two or more images into a common coordinate frame and is a fundamental step to be able to compare or fuse data obtained from different sensor measurements. Extracting useful information from 2D/3D data is essential to realizing key technologies underlying our daily lives. Examples include autonomous vehicles and humanoid robots that can recognize and manipulate objects in cluttered environments using stereo vision and laser sensing and medical imaging to localize and diagnose tumors in internal organs using data captured by CT/MRI scans.

This book demonstrates:

• How to redesign widely used image registration algorithms so as to best expose the underlying parallelism available in these algorithms
• How to pose and implement the parallel versions of the algorithms within the single instruction, multiple data (SIMD) model supported by GPUs
• Programming "tricks" that can help readers develop other image processing algorithms, including registration algorithms for the GPU