相关实验视频
Updated: Jul 30, 2026
11:06
3D Printing of Preclinical X-ray Computed Tomographic Data Sets
Published on: March 22, 2013
41.0K
大规模医学成像数据集的可扩展,可复制和具有成本效益的处理
Michael E Kim1, Karthik Ramadass1,2, Chenyu Gao2
1Vanderbilt University, Department of Computer Science, Nashville, TN, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 26, 2025
概括
这项研究引入了一个具有成本效益的符合BIDS的管道,用于处理大型MRI数据集. 该方法在低成本系统上实现高效,可重现的分析,在速度和成本方面超过云计算解决方案.
科学领域:
- 医学成像分析分析 医学成像分析
- 神经成像数据处理数据处理
- 计算神经科学是一种计算神经科学.
背景情况:
- 大规模的医疗成像数据集需要大量的计算,并带来高成本.
- 现有的平台在研究数据处理的成本效益和可扩展性方面扎.
- 在团队中一致管理大规模数据处理是具有挑战性的.
研究的目的:
- 为处理大规模MRI数据设计一个符合BIDS的,具有成本效益的管道.
- 通过低成本计算资源实现高效,强大和可重复的数据分析.
- 与现有方法相比,提高数据吞吐量和减少处理时间.
主要方法:
- 开发了一个符合BIDS的处理管道,用于扩散加权和T1加权的MRI数据.
- 在异质的低成本系统上实现自动化数据查询和流程执行.
- 专注于有效的数据传输与存储和计算服务器之间的低延迟.
主要成果:
- 该管道在处理时间方面可与基于云的方法进行比较,但成本效益比云计算高20倍.
- 实现了0.60Gb/s的平均数据吞吐速度,明显高于云计算方法 (0.33Gb/s).
- 展示了一条半自动化管道,可实现效率,可重复性和长期稳定性.
结论:
- 拟议的方法为大规模的神经成像研究提供了可行的成本与规模比率.
- 这种方法促进了高效的处理和数据传输,使用负担得起的计算资源.
- 灵活的工作流引擎支持适应新数据,并确保快速执行流程.
