یک راهکارموازی برای خوشه بندی تصاویر MRI مغزی با استفاده از الگوریتم خوشه بندی K- Means و معماری CUDA
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 865
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMCONF01_537
تاریخ نمایه سازی: 8 آذر 1394
چکیده مقاله:
یکی از روش های معتبر خوشه بندی، خوشه بندی K-means است که بر اساس کمترین فاصله های هر داده ازمرکز یک خوشه )میانگین( خوشه بندی را انجام می دهد. الگوریتم K-means دارای یک پارامتر K است که نماینده یتعداد خوشه ها می باشد. با توجه به ماهیت ذاتاً موازی بسیاری از الگوریتم های خوشه بندی، می توان ازآنها به خوبی برایاجرا در یک واحد پردازش گرافیکی ) GPU ( استفاده کرد. به دلیل زمان بر بودن این روش با تغییر تعداد خوشه ها وافزایش سایز تصاویر برای پیاده سازی آن در حالت موازی از معماری CUDA استفاده شد. نتایج حاصل از شبیه سازیخوشه بندی تصاویر MRI مغزی با استفاده از خوشه بندی K- Means بر روی سخت افزار GPU نشان داد که زمان اجرای این روش در حالت موازی با افزایش سایز تصاویر کاهش یافته و در مقایسه با حالت سریال 26.8 برابر سریعتر می باشد که این نرخ تسریع بدلیل همزمانی اجرای بلاک ها بر روی سخت افزار GPU می باشد
کلیدواژه ها:
نویسندگان
فرناز حسینی
دانشجوی دکترای تخصصی سیستم های نرم افزاری، دانشگاه آزاد اسلامی رشت
رضا مرادی
دانشجوی دکترای تخصصی هوش مصنوعی و روباتیک، دانشگاه علم و صنعت ایران
خوشنام عبدی قورتولمش
کارشناس ارشد مهندسی سیستم های نرم افزاری، دانشگاه آزاد اسلامی شبستر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :