Применение параллельного программирования на GPU для обработки изображений и кластеризации

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В данной работе представлены современные программные средства для обработки изображений и структурного анализа, позволяющие использовать возможности параллельного программирования на GPU для достижения значительного повышения производительности. Программное обеспечение объединяет сложные методы предварительной обработки, методы идентификации объектов, алгоритмы кластеризации и инструменты анализа, обеспечивая эффективный и точный анализ сложных наборов данных визуализации. Тематические исследования показывают универсальность и эффективность программного обеспечения в различных научных областях, включая материаловедение, биологические исследования и астрономию. За счет использования параллельного программирования на GPU инструменты демонстрируют прирост производительности в 5–20 раз относительно последовательного программирования, что способствует визуализации в реальном времени и эффективной обработке данных. Удобный интерфейс позволяет исследователям легко настраивать параметры, визуализировать результаты и интерпретировать данные, оптимизируя процесс исследования. Более широкое воздействие этих инструментов включает ускорение научных исследований, повышение точности анализа данных и стимулирование инноваций в различных областях науки. Ярким примером их эффективности является обработка и анализ электронно-микроскопических изображений аморфных сплавов. Разработанные алгоритмы и программные инструменты демонстрируют перспективные результаты в этой области, позволяя детально изучать атомную структуру и степень упорядоченности.

Полный текст

Доступ закрыт

Об авторах

Дагим Силеши Дилла

Дальневосточный федеральный университет

Автор, ответственный за переписку.
Email: dilla.d@dvfu.ru
ORCID iD: 0000-0002-9100-1257
SPIN-код: 7200-1921

аспирант, Институт математики и компьютерных технологий; инженер-исследователь, лаборатория электронной микроскопии и обработки изображений

Россия, Владивосток

Евгений Владиславович Пустовалов

Дальневосточный федеральный университет

Email: pustovalov.ev@dvfu.ru
ORCID iD: 0000-0003-1036-3975
SPIN-код: 6192-2432

доктор физико-математических наук; профессор, департамент информационных и компьютерных систем, Институт математики и компьютерных технологий; руководитель образовательной программы 09.03.02 «Информационные системы и технологии», профиль «Программирование робототехнических систем»

Россия, Владивосток

Ирина Леонидовна Артемьева

Дальневосточный федеральный университет

Email: artemeva.il@dvfu.ru
ORCID iD: 0000-0003-2088-5259
SPIN-код: 8161-1313

доктор технических наук, профессор; заместитель директора по научной работе, Институт математики и компьютерных технологий

Россия, Владивосток

Список литературы

  1. Dyson M.A. Advances in computational methods for transmission electron microscopy simulation and image processing. Abstract of dis. University of Warwick. URL: http://go.warwick.ac.uk/wrap/729437
  2. Pryor A., Ophus C., Miao J. A streaming multi-GPU implementation of image simulation algorithms for scanning transmission electron microscopy. Advanced Structural and Chemical Imaging. 2017. No. 3 (15). doi: 10.1186/s40679-017–0048-z.
  3. Roy S., Prabhat L.Q., Tran L., Ang L.K. Parallel programming for electron microscopy image processing // Proceedings of the International Conference on Parallel Processing. ACM, 2019. Pp. 1–9.
  4. Xu Y., Li W., Fu Y. et al. Parallel implementation of RELION on GPU-accelerated clouds for efficient single-particle cryo-EM. Journal of Structural Biology. 2021. No. 213 (3). P. 107762.
  5. Jian L., Wang C., Liu Y. et al. Parallel data mining techniques on Graphics Processing Unit with Compute Unified Device Architecture (CUDA). J. Supercomput. 2013. No. 64. Pp. 942–967. doi: 10.1007/s11227-011-0672-7.
  6. Gault B., Moody M.P., Cairney J.M., Ringer S.P. Atom probe microscopy. Springer Science & Business Media, 2012. doi: 10.1007/978-1-4614-3436-8.
  7. Kirkland E.J. Advanced computing in electron microscopy. Springer, 2010. 289 p.
  8. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention. Springer Cham, 2015. Pp. 234–241. doi: 10.1109/TPDS.2020.2975562.
  9. Scheres S., Nunez-Ramirez R., Sorzano C. et al. Image processing for electron microscopy single-particle analysis using XMIPP. Nat. Protoc. 2008. No. 3. Pp. 977–990. doi: 10.1038/nprot.2008.62.
  10. Pustovalov E.V., Plotnikov V.S., Grudin B.N. et al. Electron tomography algorithms in scanning transmission electron microscopy. Bull. Russ. Acad. Sci. Phys. 2013. No. 77. Pp. 995–998. doi: 10.3103/S1062873813080340
  11. Sorzano C.O.S., Vilas J.L., Cuenca-Alba J. et al. Statistical image analysis in electron microscopy. In: Biophysics and the challenges of life. Springer, Cham. 2018. Pp. 79–98.
  12. Dilla D.S., Pustovalov E.V., Fedorets A.N. Advanced electron microscopy image processing for analyzing amorphous alloys: Electron Microscopy Image Cluster Analyzer (EMICA). Tool and results. Computational Nanotechnology. 2024. Vol. 11. No. 1. Pp. 104–111. doi: 10.33693/2313-223X-2024-11-1-104–111. EDN: DYNPTQ.
  13. Dilla D.S., Pustovalov E.V., Fedorets A.N., Frolov A.M. Exploring amorphous alloys: Advanced electron microscopy and cluster analysis. Computational Nanotechnology. 2024. Vol. 11. No. 1. Pp. 112–120. doi: 10.33693/2313-223X-2024-11-1-112–120. EDN: DYUGCI.
  14. Zhu Y., Ouyang Q., Xu Y. A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy. BMC Bioinformatics. 2017. No. 18 (1). Pp. 1–9. doi: 10.1186/s12859-017–1757-y.
  15. Ophus C. A fast image simulation algorithm for scanning transmission electron microscopy. Adv. Struct. Chem. Imag. 2017. No. 3. P. 13. doi: 10.1186/s40679-017-0046-1.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Модульная архитектура анализа данных: основные архитектурные модули, иллюстрирующие поток данных от исходных данных до визуализации

Скачать (323KB)
Метаданные
3. Рис. 2. Диаграмма рассеяния образца NiW, демонстрирующая идентифицированные кластеры атомных частиц, (HRTEM)

Скачать (250KB)
Метаданные
4. Рис. 3. Линеаризованное расхождение Куллбэка–Лейблера (K-L) для кумулятивной функции распределения (CDF) отношения связей к вершинам (Div (SP(B/V)) (показано на левой оси) и для меры Лебега отношения связей к вершинам (Div (Mu(B/V)) (показано на левой оси) и для меры Лебега отношения связей к вершинам (Div (Mu(B/V)) (показано на правой оси) в зависимости от уровня упорядочения в изображениях атомных структур

Скачать (91KB)
Метаданные
5. Рис. 4. Анализ соотношения связей и вершин, показывающий кластеры с более высокой степенью упорядоченности по мере увеличения их размера

Скачать (107KB)
Метаданные
6. Рис. 5. Иллюстрация функции радиального распределения (RDF) для аморфных сплавов, демонстрирующая вероятность нахождения частицы на определенном расстоянии от эталонной частицы и выявляющая локальный ближний порядок в материале

Скачать (127KB)
Метаданные
7. Рис. 6. Функция распределения атомной плотности (a) и функция радиального распределения (b) для двух реализаций модельного сплава FeB25

Скачать (149KB)
Метаданные
8. Рис. 7. Эволюция угловых распределений между связями для различных степеней упорядоченности, от 10 до 90%, в кластерах, состоящих более чем из 3 вершин

Скачать (206KB)
Метаданные
9. Рис. 8. Изменение доли кластеров с определенными углами между связями

Скачать (211KB)
Метаданные