قطعه بندی تصاویر پزشکی در واحدهای پردازش گرافیکی (GPUs)
ترجمه شده

قطعه بندی تصاویر پزشکی در واحدهای پردازش گرافیکی (GPUs)

عنوان فارسی مقاله: قطعه بندی تصاویر پزشکی در واحدهای پردازش گرافیکی (GPUs) – یک بررسی جامع
عنوان انگلیسی مقاله: Medical image segmentation on GPUs – A comprehensive review
مجله/کنفرانس: تجزیه و تحلیل تصویر پزشکی - Medical Image Analysis
رشته های تحصیلی مرتبط: پزشکی و مهندسی پزشکی
گرایش های تحصیلی مرتبط: پردازش تصاویر پزشکی، فیزیک پزشکی
کلمات کلیدی فارسی: پزشکی (Medical)، تصویر (Image)، قطعه بندی (Segmentation)، واحد پردازشگر گرافیکی (GPU)، موازی (Parallel)
کلمات کلیدی انگلیسی: Medical - Image - Segmentation - GPU - Parallel
نوع نگارش مقاله: مقاله مروری (Review Article)
نمایه: scopus - master journals - JCR - MedLine
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.media.2014.10.012
دانشگاه: دانشگاه علوم و فناوری نروژی، تروندهایم، نروژ
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2015
ایمپکت فاکتور: 11.276 در سال 2019
شاخص H_index: 113 در سال 2020
شاخص SJR: 2.452 در سال 2019
شناسه ISSN: 1361-8415
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 18
صفحات ترجمه فارسی: 57
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 332
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


2. محاسبات واحد پردازشگر گرافیکی (GPU)


2.1. همروندی گرایی داده ها


2.2. تعداد رشته ها


2.3. واگرایی شاخه


2.4. استفاده از حافظه


2.5. هماهنگ سازی


2.6. چارچوب


2.7. بهینه سازی واحد پردازشگر گرافیکی (GPU)


3. روش های قطعه بندی


3.1. آستانه گذاری


3.2. رشد منطقه


3.3. ریخت شناسی


3.4. آبخیز


3.5. مسیرهای فعال


3.6. مجموعه سطح ها


3.7. روش های مبتنی بر ثبت / اطلس


3.8. مدل های شکل آماری


3.9. میدان تصادفی مارکوف و برش نموداری


3.10. استخراج خط مرکزی و قطعه بندی ساختارهای لوله ای


3.11. قطعه بندی تصاویر پویا – ردیابی


4. بحث


4.1. پیشرفته تربن وضعیت کنونی


4.2. پیش بینی های نرم افزاری


4.3. پیش بینی های سخت افزاری


5. نتیجه گیری ها

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. GPU computing


2.1. Data parallelism


2.3. Branch divergence


2.4. Memory usage


2.5. Synchronization


2.6. Framework


2.7. GPU optimization


3. Segmentation methods


3.1. Thresholding


3.2. Region growing


3.3. Morphology


3.4. Watershed


3.5. Active contours


3.6. Level sets


3.7. Atlas/registration-based


3.8. Statistical shape models


3.9. Markov random fields and graph cuts


3.10. Centerline extraction and segmentation of tubular structures


3.11. Segmentation of dynamic images – tracking


4. Discussion


4.1. Current state of the art


4.2. Software predictions


4.3. Hardware predictions


5. Conclusions

نمونه ترجمه فارسی مقاله

چکیده


قطعه بندی ساختارهای آناتومیک، ابه واسطه روش هایی مانند: مقطع نگاری کامپیوتری  (CT)، تصویربرداری رزونانس مغناطیسی  (MRI) و فراصوت، یک فناوری توانمند و کلیدی در کاربردهای پزشکی مانند: تشخیص، برنامه ریزی و هدایت محسوب می گردد. کارآمدی بیشتر پیاده سازی ها ضرورت دارد چرا که اغلب روش های قطعه بندی از نظر محاسباتی گرانقیمت بوده و مقدار داده های تصویربرداری پزشکی در حال رشد می باشند. افزایش قابلیت برنامه ریزی واحدهای پردازش گرافیکی  (GPU) در سالیان اخیر استفاده از آن را در حوزه های مختلف مقدور ساخته است. واحدهای پردازش گرافیکی (GPU) می توانند مشکلات بزرگ همروندی داده ها  را با سرعت بالاتری از واحد پردازشگر مرکزی (CPU) سنتی حل کنند، ضمناً این واحدها مقرون به صرفه تر بوده و از کارآمدی انرژی بیشتری نسبت به سیستم های توزیع برخوردارند. افزون بر این، استفاده از یک واحد پردازشگر گرافیکی (GPU) تجسم همزمان و قطعه بندی های تعاملی ار مقدور می سازد به گونه ای که کاربر می تواند برای دستیابی به نتیجه رضایت بخش به الگوریتم کمک نماید. مقاله مروری حاضر به بررسی استفاده از واحدهای پردازش گرافیکی (GPU) برای سرعت بخشیدن به روش های قطعه بندی تصاویر پزشکی می پردازد. برای استفاده کارآمد از واحدهای پردازش گرافیکی (GPU) مجموعه ای از معیارها تعریف شده و مطابقاً هر روش قطعه بندی ارزیابی گردید. افزون بر این، ارجاع به پیاده سازی های واحد پردازشگر گرافیکی (GPU) مربوطه و بینش مربوط به بهینه سازی واحد پردازشگر گرافیکی (GPU) ارائه شده و مورد بحث قرار گرفتند. مطالعه حاضر نتیجه گیری می نماید که با توجه به ساختار داده های موازی در روش های مزبور و تعدد بالای رشته ها، اغلب روش های قطعه بندی می توانند از مزایای پردازش واحد پردازشگر گرافیکی (GPU) بهره مند شوند. با این وجود، عواملی همچون: هماهنگ سازی، واگرایی شاخه و استفاده از حافظه می تواند فرآیند سرعت افزایی را محدود سازد.


1. مقدمه


قطعه بندی تصویر، که برچسب گذاری نیز نامیده می شود، فرآیند تقسیم عناصر منحصر به فرد یک تصویر و یا حجم به مجموعه ای از گروه هاست، به طوری که تمام عناصر حاضر در یک گروه دارای ویژگی مشترکی هستند. در حوزه پزشکی، این ویژگی مشترک معمولاً عناصر متعلق به نوع بافت و یا اندام مشابه است. قطعه بندی ساختارهای آناتومیکی یک کلید توانمندسازی فناوری در کاربردهای پزشکی مانند: تشخیص، برنامه ریزی و هدایت می باشد. تصاویر پزشکی حاوی اطلاعات بسیاری هستند و در اغلب موارد تنها یک یا دو ساختار در آن ها مد نظر می باشند. قطعه بندی امکان تجسم ساختارهای مد نظر و هم چنین حذف اطلاعات غیر ضروری را فراهم می نماید. افزون بر این، قطعه بندی تجزیه و تحلیل ساختاری مانند: محاسبه حجم تومور، و انجام ثبت تصویر به بیمار و هم چنین تصویر به تصویر مبتنی بر ویژگی را که بخش مهمی از جراحی تحت هدایت تصویر است، مقدور می نماید. شکل 1 قطعه بندی یک حجم حاوی عروق خونی را نشان می دهد. نتیجه قطعه بندی، و یا حجم برچسب، برای ایجاد یک مدل سطحی از عروق خونی با استفاده از الگوریتم جورسازی مکعب ها  به کار گرفته می شود (لورنسن و کلاین، 1987).

نمونه متن انگلیسی مقاله

abstract


Segmentation of anatomical structures, from modalities like computed tomography (CT), magnetic resonance imaging (MRI) and ultrasound, is a key enabling technology for medical applications such as diagnostics, planning and guidance. More efficient implementations are necessary, as most segmentation methods are computationally expensive, and the amount of medical imaging data is growing. The increased programmability of graphic processing units (GPUs) in recent years have enabled their use in several areas. GPUs can solve large data parallel problems at a higher speed than the traditional CPU, while being more affordable and energy efficient than distributed systems. Furthermore, using a GPU enables concurrent visualization and interactive segmentation, where the user can help the algorithm to achieve a satisfactory result. This review investigates the use of GPUs to accelerate medical image segmentation methods. A set of criteria for efficient use of GPUs are defined and each segmentation method is rated accordingly. In addition, references to relevant GPU implementations and insight into GPU optimization are provided and discussed. The review concludes that most segmentation methods may benefit from GPU processing due to the methods’ data parallel structure and high thread count. However, factors such as synchronization, branch divergence and memory usage can limit the speedup.


1. Introduction


Image segmentation, also called labeling, is the process of dividing the individual elements of an image or volume into a set of groups, so that all elements in a group have a common property. In the medical domain, this common property is usually that elements belong to the same tissue type or organ. Segmentation of anatomical structures is a key enabling technology for medical applications such as diagnostics, planning and guidance. Medical images contain a lot of information, and often only one or two structures are of interest. Segmentation allows visualization of the structures of interest, removing unnecessary information. Segmentation also enables structure analysis such as calculating the volume of a tumor, and performing feature-based image-to-patient as well as image-to-image registration, which is an important part of image guided surgery. Fig. 1 illustrates segmentation of a volume containing blood vessels. The segmentation result, or label volume, is used to create a surface model of the blood vessels using the marching cubes algorithm (Lorensen and Cline, 1987).

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۹,۱۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

قطعه بندی تصاویر پزشکی در واحدهای پردازش گرافیکی (GPUs)
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها