排序方式： 共有2条查询结果，搜索用时 62 毫秒
1
1.
目的:进一步解决CT图像重建耗时长的问题,实现大批量重建CT图像.方法:利用大数据框架Spark构建GPU集群.首先对加速滤波反投影(FBP)和同时代数迭代重建技术(SART)算法的复杂度进行分析及并行化设计,并比较在GPU和CPU上的运行速度.通过对比耗时选择最佳的计算组合,实现单机GPU加速.通过thunder工具读取批量的投影数据并创建分布式数据集,使用Numba开发CUDA程序并部署在Spark运行.结果:FBP算法运行速度有近40倍的提升,SART算法运行速度有近10倍的提升.结论:Spark和GPU结合能够扩展Spark的性能,突破单机加速瓶颈,大幅提升计算速度,对于不同的图像重建算法均有良好的加速效果,表明Spark-GPU在图像重建方向有良好的应用前景. 相似文献
2.
目的:设计并实现一个执行效率高、特征提取有效、疾病诊断准确的QRS波群检出算法,该算法可以防止R波的漏检、多检,同时在移动心电监护系统上实现心率失常性的自诊断分析.方法:在现有的自适应差分阈值法和双重阈值法上进行改进,结合两者之间的优点,对R波进行检测,计算出相应的RR间期和QRS波群宽度,并与一般临床心律失常特征进行比对,得出心电自诊断结果.结果:用美国麻省理工学院的MIT-BIH数据库进行验证,R波与QRS波群的检出率高达99.5%并能对相关心律失常疾病作出判断.结论:该算法具有实现性强、准确率高、方便快捷等特点,可以结合移动心电监测系统实现快速准确识别R波特征值,并作出相应的心率失常自诊断的功能. 相似文献
1