Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011Create TemplateExisting TemplateCreate WarpedInput Images (Atlas)Input ImagesWhite and grey mattersegmentationWhite and grey mattersegmentationDARTELWarpedSegmented Images (Atlas)Segmented ImagesCreate Initial TemplateDARTELDARTELFlow FieldsFlow FieldsTemplateSmoothTemplateFig. 1. Etapas para generar una plantilla y una imagen deformada utilizando el algoritmo DARTEL.Debido a los requisitos de DARTEL y al tamaño delos datos utilizados (imágenes médicas cerebrales entres dimensiones), no es posible computar todas lasimágenes o un conjunto de ellas al mismo tiempo.Por lo tanto, sólo se explota el paralelismo a nivelde datos de los puntos de cada imagen. Además, esnecesario un alto número de transferencias entre lasmemorias de CPU y GPU.Las llamadas a las funciones paralelas son similaresa la implementación secuencial pero es necesario indicarel número de hilos que ejecutan el código de lafunción. El número de hilos está dado por el númerode puntos de la imagen (Algoritmo 2).Se han llevado a cabo ciertas optimizaciones centradasen maximizar la utilización de los núcleos,minimizar la sobrecarga de las trasferencias entre lasmemorias de la GPU y CPU, y utilizar los registrosen la mayor medida posible.IV. Evaluación de RendimientoEn esta sección se presenta la evaluación derendimiento de la implementación de DARTE parala plataforma basada en GPU.Se han utilizado imágenes en tres dimensiones, cadauna consistente en un conjunto de imágenes endos dimensiones (capas), correspondientes a las vistasaxial, sagital y coronal. Para los casos de prueba,DARTEL ha generado imágenes en tres dimensiones(plantilla e imagen deformada) con los sigu-Algorithm 2 Pseudocódigo de la versión basada enGPU de DARTELTemplate, FlowField[n] :DARTEL Template Creation (Atlas[n], Flow-Field[n], Template)FlowFields[n] : DARTEL Warped Creation (Images[n],Template )1: while do (i < n)2: CPU-GPU Data transferences ⊲ Input data3: Small Deformations kernel< m >()4: GPU-CPU Data transferences ⊲ Outputdata5: CPU-GPU Data transferences6: Jacobian Composition kernel< m >()7: GPU-CPU Data transferences8: CPU-GPU Data transferences9: FMG kernel< m >() ⊲ Full MultigridMethod10: GPU-CPU Data transferences11: i++12: end whileientes tamaños, 60 imágenes en la vista axial, 60imágenes en la vista sagital, y 72 imágenes en la vistacoronal. Por tanto, las imágenes de la vista axial sonde 60×72 píxeles, las imágenes de la vista sagital sonde 60 × 72 píxeles, y las imágenes de la vista coronalson de 60×60 píxeles. Finalmente, cada imagen tiene(60 × 72) 2 × 60 × 60 = 67, 184, 640, 000 píxelesJP2011-707