|
| |
|
|
Akcelerace zpracování dat z MRI na GPU
Kešner, Filip ; Nečas, Ondřej (oponent) ; Polok, Lukáš (vedoucí práce)
Tato bakalářská práce byla vypracována v průběhu studijního pobytu na Universita della Svizzera italiana ve Švýcarsku. Identifikace trajektorií neuronových vláken uvnitř lidského mozku má velký význam v mnoha lékařských aplikacích, jako neurologická diagnostika, neuro-navigace, léčba epilepsie, chirurgické operace a tak dále. Za použití dat z MRI, metod postavených na Markovských řetězích a Monte Carlu mohou být možné trajektorie vypočítany a ty nejpravděpodobnější zobrazeny. Tyto informace o trajektoriích mohou sloužit jako vstup pro pokročilé metody lékařské diagnotiky a léčby. Vzhledem k obrovskému množství dat a velkého počtu iterací toto může být časově náročný proces. Za účely, jako jsou statistická analýza a/nebo porovnávání několika datových sad a/nebo pacientů, požadavky na výpočetní čas jsou enormní. Rychlejší diagnóza může také přinést nasazení léčby dříve. Nyní existuje jen velmi málo implementací softwaru pro neurální traktografii. Implementací softwaru pro pravděpodobnostní neurální traktografii je ještě méně. Nynější implementace, provádějící všechny operace postupně na CPU, jsou značně pomalé. Účelem této práce je poskytnout efektivní implementaci, která vvyužíva GPU. Za účelem implementace na GPU, je poskytnuto porovnaní technologíí CUDA a OpenCL.
|
|
|
Tracking of Axonal Bundles in Diffusion MRI Brain Images
Piskořová, Z.
The aim of this work is to design tracking algorithm which will be able to track brain axonal bundles in diffusion weighted MRI data. Estimation of anisotropic diffusion profile inside voxels was performed by diffusion tensor imaging model (DTI). Tracing is based on the 4th order Runge-Kutta method. Algorithm is implemented in the MATLAB computing environment and is tested on real data biological phantom.
|
|
|
Simulation of synthetic diffusion tensor data
Labudová, K.
First there is the Gaussian diffusion tensor model with the most important equations introduced. The other part of this work deals with the software and its current state of development. The software calculates diffusion tensor data from diffusion tensor and acquisition parameters successfully. User can add noise to simulated data and then estimate diffusion tensor in reverse. Original and estimated diffusion tensors are displayed, compared and their deviation in space determined.
|
host ::
RSS.