Utilisation des GPUs dans la reconstruction de l’imagerie médicale

énormément dégrader le flux d’instructions. En effet, dans le cas où des fils d’exécution du même wrapdivergent en suivant différentes branches, l’exécution se fait séquentiellement. Pour éviter ce problème, il est conseillé d’appliquer des stratégies qui regroupent les fils d’exécution qui suivent la même branche dans le même warp.

Il faut aussi éviter de faire appel intensivement à l’instruction __syncthreads() qui synchro- nise l’exécution des fils d’exécution du même bloc en jouant le rôle d’une barrière qui empêche de continuer l’exécution avant que tous les fils d’exécution du bloc aient fini l’instruction en cours. En effet, son utilisation pourrait faire chuter l’occupation des SMPs. Elle fait aussi aug- menter inutilement le nombre de cycles d’exécution, car son flux d’exécution est de 8, 16 et 128 instructions par cycle d’horloge par périphérie pour, respectivement, les GPUs de capacités de calcul 1.x, 2.x et 3.x. L’utilisation des librairies optimisées citées auparavant à la section 5.5 permet aussi d’améliorer les performances d’exécution des fils d’exécution sur les GPUs.

5.7 Utilisation des GPUs dans la reconstruction de l’imagerie médicale

Avec les développements technologiques, les applications cliniques en imagerie médicale sont de plus en plus nombreuses et variées et les exigences en termes de qualité et du temps de production des images tomographiques sont de plus en plus sévères. Les professionnels de la santé veulent des modalités d’imagerie qui permettent de produire des images diagnostiques de plus en plus précises. Ils veulent aussi que ces images soient produites plus rapidement afin d’augmenter le débit des patients, ou même en temps réel afin d’effectuer de l’imagerie interven- tionnelle qui guide les gestes des chirurgiens en salle d’opération et d’améliorer la conformité de la radiothérapie en utilisant la technique de guidage par imagerie. Les modalités utilisant la radiation ionisante telles que la TDM, la TEP et la TEMP doivent aussi réduire la dose donnée aux patients pour se conformer aux normes de radioprotection dont les seuils sont en plus plus exigeants tout en produisant des images avec un meilleur RSB.

Pour répondre à ces exigences, les manufacturiers développent des équipements performants qui produisent des données d’acquisition de plus en plus volumineuses par l’amélioration de l’échantillonnage spatial en utilisant des détecteurs de petites tailles. Ils utilisent aussi des algo- rithmes de reconstruction complexes, comme les algorithmes itératifs stochastiques, pour améliorer le RSB des images et réduire la dose aux patients. Mais ceci nuit à l’autre exigence qui est d’ef- fectuer des reconstructions ultra-rapides malgré l’utilisation d’ordinateurs de plus en plus puis-

5.8. CONCLUSION

sants.

Les algorithmes de reconstruction sont généralement de type flux de données sur lesquelles les mêmes opérations de projection et de rétroprojection sont appliquées simultanément en itéra- tions. Ces algorithmes sont adaptés à une parallélisation intense pour être exécutés avec des bonnes performances sur des plates-formes de calcul parallèle, comme les ASICs (Application Specific integrated Circuits)[228], les FPGAs (Field Programmable Gate Arrays) [119] et les GPUs. Ces derniers ont suscité beaucoup d’intérêt dans la communauté scientifique pour ac- célérer et améliorer la reconstruction en imagerie médicale, car ils offrent un rapport perfor- mance/coût nettement supérieure aux autres dispositifs . Ainsi, plusieurs travaux ont été effec- tués pour accélérer et utiliser des algorithmes de reconstruction itératifs en TEP [13, 14, 24, 45, 57, 102, 145, 170–172, 198, 251], en TEMP [9, 137, 138, 214, 225, 235], TDM [22, 109, 148, 200, 220, 246, 250], en tomodensitométrie à géométrie conique (CBCT : Cone Beam Computed Tomograph[93, 160, 244, 248, 255], en imagerie par résonance magnétique (IRM) [79, 83] et en échographie [11, 103]. Les deux articles d’Eklund et al. [54] et de Pratx et al. [174] passent en revue l’utilisation actuelle et future des GPUs en imagerie médicale.

Malgré les nombreux travaux effectués par les chercheurs sur la reconstruction d’images médicales sur GPU, l’utilisation des GPUs pour améliorer la qualité de l’image en utilisant des algorithmes plus performants de reconstruction n’est pas introduite, pour le moment, en clin- ique par les manufacturiers. Cependant, des annonces ont été faites dans les derniers congrès de la Radiological Society of North America (RSNA) par quelques fabricants sur l’accélération des algorithmes itératifs de reconstruction sur GPU pour réduire la dose en TDM et en CBCT, entre autres Philips pour sons système hybride BrightView XCT de tomographie d’émission monophotomique et de tomodensitométrie. Nous croyons que ce retard est dû tout simplement au long processus de développement, de validation clinique et de certification des applications médicales.

5.8 Conclusion

Les GPUs offrent une grande puissance de calcul qui est moins onéreuse en comparaison aux autres platesformes de calcul parallèle telles que les grappes de CPUs, les ASICs el les FPGAs. Leur utilisation dans la reconstruction de l’images médicales permettrait l’utilisation en clin- ique des algorithmes de reconstruction complexes, plus performants et exigeant des doses moins

5.8. CONCLUSION

élevées pour les modalités utilisant la radiation ionisante, mais qui sont plus longs à exécuter sur ordinateurs CPUs par rapport aux besoins cliniques. Ces dispositifs permettraient aussi de faire de l’imagerie temps réel avec une meilleure qualité pour diminuer le degré d’invasivité de la radiologie interventionnelle et de la radiothérapie.

Cependant, malgré le développement de la plateforme CUDA qui a facilité la programmation des GPUs, le développement des programmes efficaces en temps de calcul sur GPUs est encore complexe et fastidieux. Il nécessite de bonnes connaissances de l’architecture et des capacités de calcul du GPU utilisé et de la maîtrise des techniques d’optimisation. Les performances de calcul se dégradent rapidement si les différentes règles d’optimisations ne sont pas respectées. La com- pagnie Nvidia développe en continu des librairies GPUs optimales pour faciliter le développe- ment des applications GPUs performantes. Elle continue aussi à fournir aux utilisateurs des outils qui aident à optimiser et à déboguer les programmes GPUs plus facilement.