| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究的目的和研究内容 | 第10-12页 |
| 1.3.1 本文的研究目的 | 第10页 |
| 1.3.2 本文的研究内容 | 第10-12页 |
| 2 CT 理论基础与 FDK 算法 | 第12-27页 |
| 2.1 CT 系统组成及扫描方式 | 第12-17页 |
| 2.1.1 CT 结构组成 | 第13-15页 |
| 2.1.2 CT 技术发展历史 | 第15-17页 |
| 2.2 工业 CT 理论物理基础 | 第17-18页 |
| 2.3 CT 图像重建算法基础 | 第18-24页 |
| 2.3.1 二维 CT 图像重建算法理论介绍 | 第18-19页 |
| 2.3.2 二维中心切片定理 | 第19-20页 |
| 2.3.3 二维扇形等距射线投影数据的卷积反投影重建算法 | 第20-22页 |
| 2.3.4 滤波函数 | 第22-24页 |
| 2.4 FDK 重建算法介绍 | 第24-26页 |
| 2.4.1 FDK 算法简介 | 第24-25页 |
| 2.4.2 FDK 算法计算步骤 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于 CUDA 技术的 FDK 算法并行加速 | 第27-46页 |
| 3.1 通用图形显示卡及其发展回顾 | 第27-30页 |
| 3.1.1 GPU 的高性能性 | 第27-28页 |
| 3.1.2 并行和串行计算 | 第28-29页 |
| 3.1.3 通用图形显示卡的发展 | 第29-30页 |
| 3.2 CUDA 基础 | 第30-34页 |
| 3.2.1 CUDA 硬件架构 | 第31-32页 |
| 3.2.2 软件架构 | 第32-34页 |
| 3.3 FDK 算法的并行分析 | 第34-38页 |
| 3.3.1 FDK 算法并行实现步骤 | 第34-36页 |
| 3.3.2 加速比—并行算法性能评价标准 | 第36页 |
| 3.3.3 反投影计算详解 | 第36-38页 |
| 3.4 利用 CUDA 技术实现 FDK 算法的步骤 | 第38-43页 |
| 3.4.1 加权计算 | 第39页 |
| 3.4.2 滤波计算 | 第39-42页 |
| 3.4.3 反投影计算 | 第42-43页 |
| 3.5 实验结果及分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 基于集群技术的 FDK 算法并行加速 | 第46-57页 |
| 4.1 集群的体系结构 | 第46-51页 |
| 4.1.1 集群节点 | 第47页 |
| 4.1.2 集群互连网络 | 第47页 |
| 4.1.3 集群网络程序设计基础 | 第47-51页 |
| 4.2 集群并行计算平台的搭建 | 第51-52页 |
| 4.3 FDK 集群并行重建算法步骤 | 第52-54页 |
| 4.4 实验及结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 研究工作总结 | 第57-58页 |
| 5.2 下一步展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63页 |
| A. 作者在攻读硕士学位期间发表申请并公开的专利目录 | 第63页 |
| B. 作者在攻读硕士学位期间发表论文目录 | 第63页 |
