Egy agyi bioelektromos képalkotó algoritmus párhuzamosítási lehetőségeinek összehasonlítása

Juhász Zoltán Dr. <>
Pannon Egyetem


Az agyi EEG (elektroenkefalográfia) rutin klinikai vizsgálat, mely lehetővé teszi az agy aktivitásának regisztrálását. Az eljárás során a fejbőrre ültetett tipikusan 25 elektróda (csatorna) elektromos jeleit mérik és jelenítik meg az idő függvényében. Az agyi EEG nagy előnye más vizsgálati eljárásokkal (pl. CT, MR) szemben a nagy időbeli felbontás (milliszekundum nagyságrend), hátránya viszont a rossz térbeli felbontás, valamint az a tény, hogy csak a fej felületén méri az elektromos aktivitást. A Pannon Egyetemen folyó kutatási program keretében olyan módszereket és eljárásokat fejlesztünk melyek forráskereséssel lehetővé teszik a mért agyi EEG jelekből az agyi aktivitást kiváltó területek nagyon pontos helyének meghatározását, majd ezek térbeli vizualizációját. Ez az új képalkotó rendszer új utakat nyithat meg a diagnosztika területén.

A feladat megoldásának egyik legnagyobb akadálya a mérés kiértékelésének rendkívüli számításigénye. Méréseink során 64 – hamarosan 128 – csatornán mérünk. A forrásrekonstrukció során a felületen mért jelekből kell, az ún. inverz probléma megoldásával, következtetnünk a gerjesztést kiváltó forrásra. Az előadásban egy lehetséges megoldási algoritmust ismertetünk, mely egy forrás megkeresését végzi. A sok csatorna, rövid mérés alatt is több ezer mérési pont, valamint az agy geometriájának nagy térbeli felbontása miatt egy mérési pont kiértékelése tipikusa 30-60 másodperc között van. Egy teljes (néhány másodperc időtartamú) mérés teljes kiértékelés több órát vesz igénybe. Ez a rutin klinikai gyakorlatban elfogadhatatlan. Megoldást csak a párhuzamos technológia alkalmazása nyújthat.

A legjobb párhuzamosítási megoldás meghatározása érdekében az algoritmust több nyelven és módon implementáltuk (Java, C/MPI és C/OpenMP), majd ezeket különböző párhuzamos architektúrákon futtattuk (PC klaszter, sokmagos processzorok, NIIF szuperszámítógép) hogy megvizsgáljuk a futási idő és gyorsulási görbék (skálázhatóság) alakulását.

Az előadás ezen kísérletek eredményét és az így nyert tapasztalatokat ismerteti, legvégül kitér egy új irány, a grafikus gyorsítók (GPU) felhasználásának lehetőségére. Reményeink szerint eredményeket tudunk bemutatni a 4 teraflops számítási teljesítményű NVIDIA Tesla S1070 gépen történt futtatásról is.