柯晶，博士毕业于澳大利亚新南威尔士大学，目前在上海交通大学计算机系任副研究员、硕导，任新南威尔士大学联席讲师（Adjunct Lecturer）。在S3 Graphics，AMD和CSIRO等机构有多年的商业经验。目前主要的研究方向为病理图像的智能分析诊断及大规模图像的高性能并行计算。出版著作“通用图形处理器设计-GPGPU编程模型与架构原理”（清华大学出版社）。主持国家自然科学基金青年项目，上海市自然科学基金面上项目，以及两项“交大之星“计划医工交叉研究基金；并于国家知识产权局授权专利四项。担任MICS、CSIG、CAAI等学会专委，Frontiers in Radiology 的主题编委。

1.科研

导师目前主要的研究方向为病理图像的智能分析诊断及大规模图像的高性能并行计算。在医学图像分析领域以一作或通讯在MedIA、TMI、MICCAI等期刊会议发表论文三十篇；在高性能并行计算领域会议如IPDPS、MICRO、DAC等发表论文十篇。在GPU计算域医学图像处理上具有丰富经验，本次项目主题“基于GPU计算的三维医学图像加速分析”正是在导师指导下确立。

2.指导

导师严谨、认真、负责，总能给以学习、科研方向上正确的引导；待人也十分和善，每次都会耐心地回答许多学习上、科研上的问题。同时，导师具有非常多GPU与医学影像方面的研究经验，能够给予学生有力支持。

3.设备

提供装配有Tesla V100-PCIE型GPU（浮点性能半精度28TFlops、单精度14TFlops、双精度7TFlops，Tensor深度学习性能112TFlops，显存规格4096-bit位宽的24GB 3090，频率1.75GHz，带宽900GB/s）的服务器。高性能的GPU极大的提高了神经网络的训练速度，有效的提高了实验的效率，为项目的进展顺利提供了有力的保障。

4.数据集

数据是深度学习的重要驱动力。在AI医学图像处理方面，提供大量标注的病理细胞样本供神经网络测试研究使用，并且已经在公开数据集上有所实验和科研产出。

（一） 项目简介（200字以内）

随着医学影像技术的飞速发展，三维医学图像数据量急剧增长，传统的图像处理方法已难以满足快速、高效的处理需求。为了适应医学影像对三维模型的快速处理、传输和存储需求，亟需一种针对医学三维模型的压缩方式。本项目旨在通过模仿视频压缩的方式，使用深度学习模型和GPU运算实现三维医学图像的快速压缩与加速处理，为医学影像分析、诊断和治疗提供更为便捷、高效的工具。

（二） 研究目的

使用深度学习模型，诸如 CompressAI等，结合视频压缩的方式，对三维医学模型进行压缩，并通过并GPU加速等方式提高计算效率，在保留医疗诊断重要信息的同时实现医学影像的高效压缩。

（三） 研究内容

1. 使用深度学习模型对医学三维模型进行压缩，并测试编码与解码性能。

2. 对模型各个部分进行优化，通过如GPU加速、访存合并等方法，对模型的解码编码进行加速。

（四） 国、内外研究现状和发展动态

目前国际上已有许多使用深度学习模型对图像或视频进行压缩的工作，如CompressAI 能够对图片和视频文件进行高效率的压缩。但是该类模型在处理医学图像时，由于医学图像的数据量巨大，其编码时会产生很大的时间开销。同时由于医学诊断的特殊性，其处理医学数据时会丢失一些重要的信息，如细胞核结构等。项目需要结合以上图像和视频压缩方式的优缺点，使用CUDA编程等对压缩模型进行优化，在保留医学诊断重要信息的同时优化其性能，将二维压缩方法和视频压缩方法迁移至三维模型，实现对医学三维模型的高效压缩处理。

（五） 创新点与项目特色

针对医学三维影像数据进行压缩处理，并通过GPU加速、访存合并、优化算法等方式，实现三维影像的高性能压缩。

（六） 技术路线、拟解决的问题及预期成果

1. 使用深度学习模型学习医学影像中的概率分布。

2. 使用算数编码，根据深度学习模型预测的概率分布结果，对影像进行压缩编码

3. 解耦模型，使用并行化方式，降低影像处理的平均时间，并通过流水线方式，提高CPU与GPU设备的使用效率。

4. 使用二分方式优化算数编码过程中的归约问题，通过GPU加速将O（n）时间复杂度的计算优化至 O（log(n))

（七） 项目研究进度安排

2024年5月前完成图像压缩的初步优化，实现并行化等，完成第一阶段论文。

  2024年10月前完成三维压缩优化，将二维方法和视频压缩方法迁移至三维部分，完成第二阶段论文。

  2025年3月前完成最终优化和对比测试等，完成该阶段论文。

（八） 已有基础

1. 与本项目有关的研究积累和已取得的成绩

   目前已经通过调整模型，完成了针对医学影像的深度学习压缩调整，压缩同时保留医学诊断重要的细胞核等结构信息，并使用初步的并行化方式，提升了模型编码速度。

   在先前项目中完成了医学影像转换为三维模型的调整，该项目可以根据序列化病理切片提取出重要的肿瘤信息重建三维模型并可视化，可以为本项目的三维模型压缩提供支撑。

2. 已具备的条件，尚缺少的条件及解决方法

数据方面已经具有一系列相关的病理图像数据，还需要更多种类的组织三维模型作为数据支撑。

深度学习模型方面，已经训练出针对医学图像的图像压缩模型，需要根据该模型进行三维压缩的迁移改造和优化。