论文部分内容阅读
随着成像技术的发展，产生了海量的生物医学图像，使用传统的串行计算方式已经无法满足大量生物医学图像数据的处理需求，因此，需要高性能计算技术来加速生物医学图像数据的并行处理过程。 本文开展对基于高斯混合模型的细胞识别和追踪框架使用CPU+GPU异构平台进行并行加速研究。该框架主要包括细胞分割和细胞追踪两个阶段，本文分析了每个阶段的性能瓶颈，研究了每个阶段算法的并行优化方法。 首先，本文对细胞分割阶段进行了多进程优化，算法包括中值滤波、分水岭分割、层次聚类、阈值tau分割和Supervoxel调整。其次，本文对中值滤波和基于高斯混合模型的EM算法这两个主要的性能瓶颈进行多线程、SIMD和GPU优化。 本文以小鼠胚胎发育过程中的33个小时的实验数据，对提出的并行优化方法进行了性能评估。实验结果表明:1）细胞分割阶段的多进程优化的加速比达到13.04倍;2）中值滤波的多线程优化和GPU优化分别可以达到26.53倍和19.42倍;3）基于高斯混合模型的EM算法的多线程优化和GPU优化分别可以达到10.13倍和17.25倍;4）组合使用多种加速优化技术使得整个处理流程的加速比可以达到8.76倍。