论文部分内容阅读
计算机断层成像(Computed Tomography, CT)是一种先进的无损检测技术，现已广泛应用于医学诊断、工业无损检测和安全检查等领域。近年来，针对特殊结构大物体、低剂量、低成本扫描和高效率检测等应用需求，迭代重建算法由于在解决不完全投影数据重建问题上具有独特优势而成为CT重建领域的研究热点。本文围绕投影矩阵的刻画、迭代重建算法及其加速技术展开研究，取得了以下研究成果：1.提出了一种基于有限元模型和Radon算子的投影矩阵刻画方法。通过有限元模型对体素内物质的不均匀性进行估计，通过Radon算子对射线与体素作用强度进行估计，并采用离散线性差值的方法对新模型的实现进行优化。该方法由于综合反映了射线与体素的作用过程，对投影矩阵的刻画更为精确。实验结果表明，本文模型有效提高了迭代重建算法的重建质量。2.在投影矩阵高精度刻画的基础上，提出了一种基于稀疏约束的自适应正则化迭代重建算法：AR-SART-CG（Adaptive Regularization-Simultaneous Algebraic ReconstructionTechniqueis-Conjugate Gradient, AR-SART-CG）算法。该算法采用一种类Lagendijk型的正则化策略构造最优化问题，分别采用局部方差和噪声估计、图像能量估计自适应地调整加权对角矩阵和全局正则化参数，分别使用SART算法和共轭梯度法求解保真项和约束项最优化问题。由于该算法能自适应的调整约束项权重，具有较强的鲁棒性。实验结果表明，AR-SART-CG算法能更好地权衡保持图像边缘与平滑噪声的关系，得到更高质量的重建图像。3.设计并实现了一种GPU集群通用加速平台：GMatrixCloud，研发了平台基于Matlab开发环境的消息传递机制和CUDA核函数接口，使平台能有效融合集群和GPU加速的优势。提出了一种适合于GPU集群的AR-SART-CG算法两级并行加速策略，该策略按切片划分重建图像，形成集群节点间多切片粗粒度并行、GPU内单切片细粒度并行的混合粒度两级并行计算模式，采用基于二叉树归约的节点间正投影并行技术、基于切片投影索引表的节点内并行技术进一步优化了两级并行策略，采用时间反馈代价函数评估节点运算能力并据此分配运算任务，有效实现了负载均衡。实验结果表明，基于GPU集群的两级并行策略在获得与串行算法相同质量的同时，极大的提高了重建效率。