没有合适的资源?快使用搜索试试~ 我知道了~
软件X 19(2022)101157原始软件出版物高性能Savu软件,用于在Diamond Light Source上快速进行基于3D模型的大数据迭代重建Daniil Kazantseva,a,Nicola Wadesonb,1,Mark Bashamca钻石光源有限公司地址:Diamond House,Harwell Science and Innovation Campus,Fermi Ave,Didcot OX11 0DEb国家X射线CT研究机构和亨利·罗伊斯研究所,罗伊斯中心大楼,曼彻斯特大学,曼彻斯特,M13 9PL,英国cRosalind Franklin Institute,Rosalind Franklin Institute Hub,Harwell Campus,Didcot,OX11 0FA,UKar t i cl e i nf o文章历史记录:2021年10月21日收到收到修订版,2022年3月31日接受,2022年保留字:X射线层析成像图像重建迭代法正则化大数据高性能计算a b st ra ct有效和高效地处理大数据的挑战对于许多同步加速器设施来说至关重要,这些设施每年可以收集高达数PB的数据。在Diamond Light Source,断层扫描数据使用基于Python的软件Savu重建,该软件利用消息传递接口协议有效地重建平行光束几何数据。 当投影数据欠采样和/或有噪声时,正则化迭代重建方法可以提供比直接方法更好的重建质量。然而,迭代方法,需要显着更多的计算资源比直接的方法和他们的可用性是由额外的超参数的选择阻碍值得注意的是,使用2D正则化迭代方法重建3D物体会导致垂直于切片方向的不一致(锯形)特征由于数据量大,完全3D正则化的基于模型的迭代重建在实践中是有问题的或不可能的在这项工作中,我们展示了一个实用的解决方案,使一个近似的全三维正则化迭代重建并行运行该修改提供了具有高计算效率的数据体积©2022钻石光源有限公司由爱思唯尔公司出版这是CC BY下的开放获取文章许可证(http://creativecommons.org/licenses/by/4.0/)。代码元数据当前代码版本4.2用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-21-00206法律代码许可证Apache许可证v.2.0和GPL v3使用git的代码版本控制系统使用Python、OpenMPI的软件代码语言、工具和服务编译要求,操作环境Linux如果可用,链接到开发人员文档/手册https://savu.readthedocs.io/en/latest/问题支持电子邮件daniil. diamond.ac.uk1. 动机和意义在钻石光源(DLS)同步加速器(英国),数据是从30多个光束线和综合设施收集的。的*通讯作者。电子邮件地址:daniil. diamond.ac.uk(Daniil Kazantsev).1大部分工作是作者在英国Diamond Light Source工作时完成的。https://doi.org/10.1016/j.softx.2022.101157在断层成像实验期间收集最大量的数据,其中随着样品旋转连续捕获高分辨率图像(或投影)[1]。有几个软件包专用于处理同步加速器断层扫描数据,例如参见[2采集的层析成像数据可以是多维的[5,6],通常具有高空间分辨率, 这增加了 对高效硬件 和软件的需 求,以 处理它。 随着Diamond II计划的硬件升级,预计将有十倍的空间分辨率。2352-7110/©2022 Diamond Light Source Ltd.由Elsevier B. V.发布。这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表SoftwareX期刊主页:www.elsevier.com/locate/softxDaniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011572==˜˜Fig. 1. 使用高性能计算(HPC)集群的节点对3D平行束断层摄影数据进行传统的逐层(2D)重建的示意图。在该设置中,2D切片(正弦图)被并行地并且彼此独立地重建五年内数据量增加数据处理时间和数据存储将成为最大的瓶颈之一基于Python的框架Savu [7,8]可以通过使用消息传递接口(MPI)协议在计算集群的多个节点上运行来有效地处理大数据,并具有高吞吐量当至少需要一个完整维度进行处理时,Savu能够并行处理n维数据。例如,对于3D平行射束断层摄影数据,可以存在两个固定维度:检测器的一个轴(轴X图 1)和投影角轴。在这种情况下,选择Y轴用于2D切片g(u,θ,vj)的分布,其中u是沿X轴的探测器阵列,θ是投影(采集)角度阵列,vj是垂直探测器的位置,j1,. . .,M.函数g(u,θ)称为正弦图,重建图像f(x,y)可以通过逆Radon变换获得:f(x,y)=R(g(u,θ))[9]。1.1. 3D图像重建相对于2D图像重建的优势由于平行射束几何结构的优点,2D重建可以并行执行,即以逐切片的方式执行。这种令人愉悦的并行HPC重构由于可以在计算集群的多个节点上独立执行的较小且轻量级的任务而在计算上是高效的。 这对于直接重建方法是理想的,例如滤波反投影方法(FBP)[9],其中假设Y方向(垂直)上没有空间相关性(见图11)。① 的人。众所周知,直接重建方法对于欠采样、噪声和错误的数据不能很好地执行。由于具有更精确的数据模型和噪声抑制组件,迭代重建(IR)方法是有问题数据的更好选择。不幸的是,IR方法在计算上要求很高,并且需要对参数进行一些优化然而,随着计算能力的不断增长,在合理的时间内在CPU/GPU硬件架构上执行复杂的IR任务变得可能经典的非正则化IR方法,如Landwe- ber或共轭梯度最小二乘法(CGLS)[10],可以有效地逐片应用,类似于FBP。为了稳定迭代方法的收敛性,通常需要应用正则化(通过数据平滑合并的先验信息的形式)[11]。当针对3D数据逐片执行正则化IR时,所得空间分辨率在与切片方向正交的方向上不一致。图2(左),可以注意到使用2D全变差(TV)正则化[14,15]的基于模型的迭代重建(MBIR)[12,13]中水平条纹引起的失真。当使用全3D正则化重建时(中间),空间一致性得到保留,分辨率在四面八方2D和3D MBIR之间的伪影在图像差异中更明显(右)。对于某些情况,所得到的重建质量可能不足以用于后续量化,例如分割。因此,启用完全3D正则化重建可以为更准确的后分析提供所需的空间分辨率。还已经表明,执行3D正则化重建基本上最小化条纹和环形伪影[13]。特别是环形伪影可能是同步加速器数据重建中的一个重要问题,并且去除它们可能是一项专门的任务[16]。1.2. 高分辨率数据的全三维MBIR的挑战为了完全执行平行光束3D正则化反射,整个体积必须存储在CPU或GPU存储器上,加上取决于所采用的正则化算法的附加阵列的数量[11]。对于大数据,这使得完全3D MBIR不可能或不切实际,并且可能是GPU定制的MBIR算法的主要限制[11]。为了克服这个问题,可以将数据和流划分到计算节点,以在多个GPU设备上执行重建。然后将重建的子体积数据拼接在一起,形成最终的重建体积(见图11)。 3)。不幸的是,对于正则化重建方法,这将导致边界条件的违反,导致数据拼接后重建体积的不一致。在独立重建的子体积之间创建重叠可以显著地减少失真并且使得所得到的体积的分辨率在空间上一致。因此,对于每个子体积具有足够的填充大小,最终近似重建可以非常接近于真正的完全3D正则化恢复。在这种情况下,全3D MBIR的所有优点都应用于近似MBIR,即,在所有方向上重建质量一致,成像伪影(环、条纹等)显著1.3. 具有填充为了避免重建数据的拼接子体积的界面上的伪影,我们建议在体积的两侧相等地填充每个数据块,并行重建填充的3D数据,将其解填充并将其合并到最终重建体积中。让我们假设整个3D投影数据包括S子体积:g(u,θ,vs),s1,. . .,S,并且每第s个子体积用现有数据对称地填充以获得更大的子体积g(u,θ,vs)(参见图2)。 4). 然后,填充的3D子体积g(u,θ,Vs)同时用对称边界条件重建。得到的重建子体积Daniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011573=˜×××× ×××图二. 使用2D正则化(左)和3D(中)使用相同正则化参数的TV正则化MBIR。2D和3D重建之间的绝对差异(右)。与空间一致的3D恢复相比,2D正则化重建具有较低的空间分辨率并且包含水平条纹图三. 使用投影数据g(u,θ,vs),s1,. . . ,S,其中S是子体积的总数。当使用正则化的MBIR时,没有填充每个子体积的重建可能导致拼接数据集的界面上的伪影见图4。3D MBIR的近似方法的示意图,其中3D数据被分割、填充、同时重建、取消填充并合并到最终体积中。得到unpadded以获得f(x,y,zs)并合并到最终体积f(x,y,z)中。重要的是,填充参数的大小取决于使用MBIR选择的正则化类型。例如,对于非迭代正则化方法,当相邻像素的影响最小时,例如,小波[17]或深度学习去噪[18],P可以很小。然而,在这项工作中,我们专注于具有已证明收敛性的凸变分正则化模型,例如TV先验[14,15]。这些正则化方法基于迭代地解决优化问题,并且需要多次迭代以收敛到全局解。在这里,我们使用迭代正则化作为快速迭代收缩保持算法(FISTA)[ 19 ]的子问题1.4. 针对近似MBIR为了证明选择正确的填充参数的重要性,我们进行了优化实验。评估近似重建与完整重建相比的质量。本节中的所有实验都是在计算集群的单个节点,具有4个NVIDIA Tesla V100卡(32 GB视频内存)和20个CPU内核。对于我们的案例研究,我们考虑以下维度的不同大小的两个数据集:角度检测器Y检测器X。使用TomoPhantom软件[20]集成到Savu软件包中(有关软件的更多信息,请参见第2节)。我们使用3D所选尺寸代表在DLS收集的数据为了重建数据,我们使用Savu软件和MBIR包ToMoBAR [21],作为插件集成到Savu中。我们使用了15次迭代的有序子集最小二乘FISTA(FISTA-OS-LS)算法[22],其中非平滑TV正则化器[15]执行每个数据子集100次迭代。对于所有实验,正则化超参数β固定为510−5,以确保重建的视觉质量令人满意。为了评估重建质量,我们使用均方根误差(RMSE):√1∑Ni=1(f,fN(fi−fi)2×100,(1)Daniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011574==××== ×××表1在具有4个NVIDIA Tesla V100卡和20个CPU内核的群集节点上重建的12003卷的不同方法的RMS误差和计算时间。近似MBIR的3D投影数据块大小等于900×(250+2μP)×1200体素。方法RMSE计算时间(m:s)FBP332.120时33分MBIR-2d17.13二十一点零五分MBIR-pad14.18二十七点三十五分MBIR-pad32.34二十七点五十二分MBIR-pad51.89二十八点十分MBIR-pad71.72二十八点四十五分MBIR-pad91.39二十九点二十分MBIR-pad111.28二十九点五十五分MBIR-完整0.0一百二十二点表2在具有4个NVIDIA Tesla V100卡和20个CPU内核的群集节点上,针对2560个3卷重建的不同方法的计算时间。近似MBIR的3D投影数据块大小等于1800×(200+2μP)×2560体素。方法计算时间(h:m)FBP0.1:0MBIR-2d两点五十MBIR-pad1三点三十七分MBIR-pad3三点四十MBIR-pad5三点四十四分MBIR-pad7三点四十八分MBIR-pad9三点五十五分MBIR-pad11四点十分MBIR-完整下午13:00其中,f是全3D MBIR重建,并且f是使用具有相同超参数的近似3D MBIR或2D MBIR的重建。我们希望通过增加填充来最小化f(f,f)尺寸P.然而,较大的P可能影响计算性能,并且需要在重建的速度和质量之间进行权衡。在表1中,我们给出了优化的全3D MBIR和其他方法之间的RMS误差,包括对于两个模拟数据集具有不同填充大小的近似3DMBIR。我们对较小的数据集进行了完整的MBIR重建(见表1),但是,对于较大的数据,由于硬件内存限制,完整的3D MBIR是不可能的,我们提供了近似的计算时间(见表2)。值得注意的是,给定的计算时间是在来自ASTRA工具箱[ 23 ]的GPU上运行的投影-反投影操作和CCPi正则化工具箱[ 11 ]的GPU加速正则化模块的时间之和,从表1中可以看出,FBP重建是最快的,然而,RMSE也是最高的,任何MBIR恢复。使用逐切片2D MBIR显著减少了误差,而计算时间增加,如预期的那样,对于正则化的MBIR。与2D版本相比,具有P1的近似MBIR显著降低了误差,并且如预期的,随着填充的大小增加,误差继续变得更小。计算的时间也随着填充而增加,然而,并不显著。从在表2中,我们只显示了计算时间,因为由于GPU内存限制(重建体积的大小超过50 GB),完整的3D MBIR是不可能的,我们提供了近似的MBIR计算时间。随着数据集的显著增大,计算时间现在明显更长,并且以小时而不是分钟计时。与前面的实验类似,时间增加是可见的,但随着填充大小的增加而增加的时间并不显著。图5我们展示了显示计算时间相对于集群节点上可用GPU数量的趋势的图表。可以看出,加速度在使用3个GPU时是线性的,使用4个GPU时,我们开始失去时间,这可能是由于Savu软件的I/O元素(参见第4节)。1.5. 响应不同填充值的重建质量在这里,我们将演示填充的大小如何影响重建的质量。对于第一个实验,我们使用Geant4TomoSim包2基于Geant 4粒子模拟器[24]大小为740的高度逼真的投影数据512 500个体素已经被模拟-用单能量160 keV,平均每个像素52个粒子以及康普顿和瑞利散射来计算。作为一个样品,我们使用了一个立方体制成的AlSi 10镁合金材料放置在真空中。图6我们演示了使用不同填充值的近似MBIR的模拟数据的重建以及2D MBIR恢复。在这个实验中,FISTA-OS-LS算法的15次迭代,正则化参数设置为β210- 6我们有意显示样本的一部分,其中拼接伪影最明显。注意2D恢复如何在Y方向上强烈不一致,而3D重建如何在所有方向上大幅提高分辨率对于填充值P1、P3,合并子块的边界处的伪像(由箭头指示)可以是可见的。然而,对于P5,伪影变得不那么明显了.图7中的下一个实验显示了1800 1000 1200体素的i23束线投影数据大小得到迭代重建。这里我们看到蛋白质晶体的放大区域,有关数据的更多信息,请参见[25]。类似于先前的实验,对于大于5个体素的填充值,拼接伪影的存在在视觉上变得可忽略不计。2. 软件描述在本节中,我们介绍了可以提供3D近似MBIR重建的软件的描述。我们从数据处理流水线Savu [8]开始,它负责所有I/O元素,包括数据填充/裁剪,并根据给定的计算资源处理并行化。MBIR包ToMoBAR [21]是一个集成的Savu插件,负责规范化的MBIR。从Savu版本v.4.0开始,还有一个名为Savu-lite的Savu个人计算机(PC)版本。在这项工作中提出的所有方法都可以在Savu-litev.4.2中访问,并且根据PC规范分配用于运行重建的计算资源。要利用并行化和加速的好处,您需要一台带有多个GPU的PC。目前,要安装Savu3,你需要一个预装了Miniconda的Unix系统。这个实验可以得出结论,5或7具有误差和计算时间之间的最佳折衷。2 https://github.com/OliWenman/geant4tomosim3 https://savu.readthedocs.io/en/latest/howto/installation.htmlDaniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011575=≥图五、 在近似MBIR恢复的情况下,两个数据集的GPU数量和计算时间的依赖性。见图6。Geant 4模拟数据的放大重建,以证明填充值对3D近似MBIR(所示纵向平面)的影响。箭头示出了针对小填充尺寸的重构子体积的边界处的不一致性。对于P5,不一致的特征明显不那么明显.见图7。 i23光束线数据的放大重建区域,以证明3D近似MBIR的填充效果(所示的纵向平面)。箭头显示了小填充大小的子体积之前的不一致性。对于填充大小P5,子体积之间的条带变得不那么突出。Daniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011576见图8。Savu利用HDF5后端在插件链中的每个点直接读取和写入文件。它在多个节点上并行运行并将数据高效地存储在内存中,以确保最佳性能。例如,如果数据被创建为处理投影的插件的输出,并输入到处理投影的后续插件,则它将被存储为投影。这意味着如果下一个插件需要投影,HDF5数据将被优化分块,以更快的方式访问投影。然而,由于并行HDF5后端的灵活性,2.1. Savu软件体系结构Savu是一个开源的、面向对象的Python框架,由DiamondLight Source UK同步加速器开发,用于处理和重建平行光束断层扫描数据。它能够在PC或高性能计算集群上运行,在CPU或GPU上处理大数据处理。该软件可以分为两部分:框架和插件。 该框架并行组织数据移动,并利用并行HDF5后端直接将数据传输到文件和从文件传输数据,以最大限度地减少对RAM存储的依赖,如图所示。8 .第八条。它是这样设计的后端可以被替换为其他选项,如NumPy。该框架不限于层析成像处理,但可以并行执行任何处理,其中至少需要一个完整的维度。HDF5后端允许灵活的数据切片,因此可以互换地对投影和正弦图进行处理 该框架在运行时获取有关处理步骤的先验信息,并有效地组织内存中的数据(见图1)。8),基于此信息,这与跨并行进程的最佳负载平衡一起,确保了最佳性能。插件执行单独的处理步骤,例如过滤或重建,通过预先创建插件的过程列表来为特定实验定制处理。一个命令行工具可用于创建此进程列表,允许用户从插件库中进行选择,并定制插件特定的参数以适应其数据。然后,在运行时将进程列表与要处理的数据一起传递给Savu。插件对数据的子集执行处理,至少比完整数据集的大小小一维。然后,该框架处理跨剩余维度并行地执行该处理,外推到更高维度,使得相同的插件可以应用于3D、4D、5D、6D、7D、8D、9D、或5D数据。从Savu v4.0开始,每个插件都包含图9.第九条。在Sa v u 中 打 开 的TomobarRecon3d插件参数视图v.4.2配置器。可以看到三个级别的可用详细信息:基本、中间和高级。对于普通用户,对基本参数的控制将足以执行规则化MBIR。两个python模块,一个包含处理,另一插件可以对一个或多个输入数据集执行处理,并创建一个或多个输出数据集。每个处理插件都继承自一个驱动程序插件,该驱动程序插件决定了该插件应该运行的资源。因此,可以选择插件是否应该在CPU或GPU上运行,以及是否应该使用MPI并行运行和/或多线程。两种特殊类别的插件,加载器和保存器,使其能够以任何格式加载和保存数据如果进程列表没有指定保护程序插件,则输出默认为NeXus标准的HDF5文件[26]。由于HDF5后端,为每个插件中的每个输出数据集创建了一个中间文件,允许用户查看插件链中每个步骤的处理输出。Savu能够处理n维数据,以及并发处理多个数据集,例如作为多模态设置的一部分收集的数据集。当前的插件阵列允许处理通过吸收、衍射和荧光测量收集的全场层析成像和映射层析成像数据。它每天用于DLS的几条光束线,用于广泛的实验。2.2. ToMoBAR软件作为SavuToMoBAR是一款开源软件,用于执行断层扫描数据处理和图像重建任务[21]。它使用低级GPU和CPU模块进行ASTRA工具箱[23]的前向和反向投影以及CCPi正则化工具包[11]的ToMoBAR v.2022.03由两个主要的IR重建算法组成:FISTA和ADMM,前一个已经用有序子集策略[22]实现,该策略将经典的FISTA加速到一个数量级快速通道Daniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011577见图10。 Savu的MBIR配置器中使用TomobarRecon3d插件的两个进程列表示例左边的过程列表将从原始数据重建,而右边的过程列表将模拟具有噪声和伪影的数据,从其重建并将结果重建保存为图像。许多不同的数据模型和规则使ToMoBAR成为应用于大数据问题的通用实用工具。ToMoBAR已作为插件集成到Savu中,以执行逐切片2D和3D近似MBIR重建。借助Savu从Savu v.4.2开始,用于近似3DMBIR作为TomobarRecon3d插件提供。图9,TomobarRecon3d插件的主窗口在加载到Savu的配置器时显示。Savu v.4.2中的所有插件都有三个详细级别:基本,中级和高级。大多数默认的中级和高级参数已经针对Savu中的插件进行了优化。没有经验的用户可以从选择最重要的基本参数开始。对于TomobarRecon 3d插件,它是FISTA-OS方法的迭代选择和TV惩罚的正则化2.3. 在Savu中构建处理管道并运行为了在Savu中构建所需的处理管道,应该首先在Unix shell中使用savu_config命令运行配置器这在终端中启用了交互模式,您可以在其中添加不同的加载器和插件。所有命令列表请键入help。在DLS处根据原始数据进行断层扫描重建的典型过程列表可以包括数据加载器(在并行HDF 5数据格式的情况下为NeXus加载器)、暗场和平场标准化插件、用于建立旋转中心的自动化插件[27]、重建插件和图像保存程序(见图10,左图)。如果需要生成合成数据以测试MBIR,则可以使用TomoPhan [20]创建数据和体模,添加各种伪影和噪声,并进行重建(参见图10,右侧)。生成的进程列表可以保存并传递到Savu的作业启动器(见图1)。8)。为了在PC上启动数据处理,可以单线程运行Savu:savu输入文件进程列表输出文件夹PC上的多线程savu_mpijob_local.sh输入文件进程列表输出文件夹或者当使用计算集群时:savu_mpi输入文件进程列表输出文件夹处理的结果可以在黎明软件[28]中进行检查和可视化,该软件也是在DLS开发的3. 影响所提出的软件的影响,预计在层析成像和成像社区,特别是在各种同步加速器设施。基于迭代重建的计算效率高的3D近似模型可实现大数据其可以在各种成像设施中更常规地使用这将对后处理和量化的准确性和有效性产生积极影响例如,重建的数据将更容易用不太先进和耗时的方法分割。4. 结论与讨论在本文中,我们提出了一种方法来处理使用正则化迭代方法重建大数据的主要困难。软件集成解决方案通过处理较小的投影数据子集并将其合并到最终重建体积中来实现并行重建。由于应用了3D变分正则化,数据块的边界在与切片方向正交的方向上不一致,必须进行填充以确保更平滑的过渡。建立了不影响计算效率的最佳填充值。近似方法的重建质量非常接近于大数据全三维正则化迭代重建的不切实际可以肯定的是,由于与填充相关的问题,变分迭代正则化是此外,这种规则化(例如,总变差)需要大量的内存和收敛速度慢采用一步滤波器,如小波或深度学习去噪器,可能是更好的选择。值得注意的是,不能保证这些滤波器的数学收敛性,但在实践中,可以提高结果的质量和时间。随着数据大小的不断增加,我们正在寻找各种方法来加速当前的重建框架,方法是:a)将数据移动到GPU,而不需要在正则化和重新投影操作之间将其复制回主机b) 减少I/O上花费的时间,例如,对HDF 5文件进行更优化的分块,以满足我们的处理需求; c)当数据在GPU上时,考虑主要以单精度工作; d)加速迭代方法的收敛和更有效的正则化方案。我们也不声称使用ToMoBAR包可以提供最佳的计算时间,也不提供最佳的质量重建。理论上,任何重建软件都可以作为插件在Savu中启用。竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作确认作者感谢Diamond Light Source使用其设施并获取I23光束线数据。 作者要感谢Jessica Verschoyle为改进Savu 4.2版的语法和参数检查所做的工作,断层扫描团队的其他成员:Nghia Vo博士和Yousef Moazzam,感谢他们帮助改进和支持断层扫描软件。Daniil Kazantsev、Nicola Wadeson和Mark Basham软件X 19(2022)1011578引用[1] 张文辉,张文辉,张文辉,张文辉,张文辉.一种高通量系统,高质量断层重建钻石光源下的大型数据集。Phil Trans R Soc A2015;373(2043):20140398。[2] [10] 杨 晓 , 陈 晓 , 陈 晓 .TomoPy : 同 步 辐 射 断 层 扫 描 数 据 分 析 框 架 。 JSynchrotronRadiat2014;21(5):1188-93.http://dx.doi.org/10.1107/S1600577514013939网站。[3] Mirone A,Brun E,Gouillart E,Tafforeau P,Kieffer J.用于具有迭代重建和先验知识能力的高速层析成像重建的PyHST 2混合分布式代码。核仪器方法物理研究B2014;324:41-8。[4] 吴晓刚,王晓刚. UFO:一个可扩展的基于GPU的图像处理框架,用于在线监控。2012年IEEE第14届高性能计算和通信&国际会议2012年IEEE第9届嵌入式软件和系统国际会议。p. 824-9[5] Price SW,Ignatyev K,Geraki K,Basham M,Filik J,Vo NT,et al. Chem-ical imaging of single catalytic particles with scanningµ-XANES-CT andµ-XRF-CT.物理化学物理2015;17(1):521[6] Parsons AD , Price SW , Wadeson N , Basham M , Beale AM , AshtonAW,等. 多模态层析成像数据集的自动处理。J SynchrotronRadiat2017;24(1):248-56.[7] Wadeson N,Basham M. Savu:一个基于Python的MPI框架,用于同时处理多个n维大型断层扫描数据集。2016年,arXiv预印本arXiv:1610.08015。[8] Wadeson N等人,DiamondLightSource/Savu:版本4.0(版本v4.0)。泽诺多2021年,http://dx.doi.org/10.5281/zenodo.5095360。[9] Kak AC,Slaney M.计算机断层成像原理。 纽约:IEEE出版社,1988年。[10]Boccacci P. Berbern M.,《成像中的逆问题介绍》。CRCPress;1998.[11]Kazantsev D,Pasca E,Turner MJ,Withers PJ. CCPi-正则化工具包,用于使用近端分裂算法进行计算机断层扫描图像重建。SoftwareX2019;9:317-23.[12]Mohan KA, Venkatakrishnan SV ,Drummy LF , Simmons J, ParkinsonDY,Bouman CA.同步辐射X射线层析成像的基于模型的迭代重建。2014IEEE International Conference on Acoustics , SpeechandSignal Processing(ICASSP)4. 2014年,第6909-13[13]Kazantsev D,Guo E,Phillion AB,Withers PJ,Lee PD.动态同步加速器数据高阶正则化的基于模型的迭代重建。 Meas Sci Technol 2017;28(9):094004。http://dx.doi.org/10.1088/1361-6501.[14] Rudin LI,Osher S,Fatemi E.基于非线性全变分的去噪算法。Physica D60(1992):259-68. http://dx.doi.org/10.1016/0167-2789(92)90242-F。[15] Beck A,Teboulle M.基于梯度的约束全变分图像去噪和去模糊快速算法。IEEETransImageProcess2009;18(11):2419-34.http://dx.doi.org/10.1109/TIP.2009.2028250网站。[16]吴文辉,陈文辉,陈文辉.消除X射线显微断层扫描中环形伪影的优越技术。Opt Express 2018;26(22):28396 - 412.[17]Ramani S,Fessler JA.使用基于分裂的正交小波迭代算法的统计x射线CT重建。2012年第9届IEEE生物医学成像国际研讨会。2012年,第1008-11[18]丁强,陈刚,张旭,黄强,季华,高华。低剂量CT通过近端前后分裂进行深度学习正则化。物理医学生物学2020;65(12):125009。[19]Beck A,Teboulle M.线性反问题的一种快速迭代收缩阈值算法。 SIAM JImaging Sci 2009;2(1):183-202. 网址://dx.doi.org/10.1137/080716542网站。[20] KazantsevD , PickalovV , NagellaS , PascaE , WithersPJ.TomoPhantom , 一 个 软 件 包 , 用 于 为 CT 图 像 重 建 算 法 基 准 生 成2DSoftwareX2018;7:150-5.得双曲正切值.doi.org/10.1016/j.softx.2018.05.003网站。[21]作者:Kazantsev D,Wadeson N.用于高分辨率同步加速器X射线断层扫描的基于断层扫描模型的参考(ToMoBAR)软件。在:CT会议2020.2020年。[22]Xu Q,Yang D,Tan J,Sawatzky A,Anastasio MA.稀疏正则锥束CT图像重建的加速快速迭代收缩阈值算法。医学物理2016;43(4):1849-72。[23]van Aarle W , Palenstijn WJ , Cant J , Janssens E , Bleichrodt F ,Dabravolski A,Beenhouwer JDe,Batenburg KJ,Sijbers J.使用ASTRA工具箱进行快速灵活的X射线断层扫描。Opt Express 2016;24(22):25129-47.http://dx.doi.org/10.1364/OE.24.025129网站。[24][10]杨文辉,张文辉,张文辉.物理学研究中的核仪器和方法a篇:加速器谱仪。检测器组装设备2003;506(3):250-303.[25][10]杨文辉,李文辉.金刚石光源下长波长高分子晶体学光束线的x 射 线 层 析重 建 与 分 割 流 水 线 。J Synchrotron Radiat 2021;28(3).[26]Könnecke M , et al. The NeXus data format. J Appl Crystallogr2015;48(1):301-5.[27]吴文辉,李文辉,李文辉.平行束层析成像中旋转中心的可靠计算方法。OptExpress2014;22(16):19078-86。[28]2005 年 10 月 27 日 , 中 国 科 学 院 院 士 。 数 据 分 析 工 作 台 ( DAWN ) 。 JSynchrotron Radiat2015;22(3):853-8.
下载后可阅读完整内容,剩余1页未读,立即下载
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功