Open Access

Frederik Grüll

• Acceleration of Biomedical Image Processing and Reconstruction with FPGAs Increasing chip sizes and better programming tools have made it possible to increase the boundaries of application acceleration with reconfigurable computer chips. In this thesis the potential of acceleration with Field Programmable Gate Arrays (FPGAs) is examined for applications that perform biomedical image processing and reconstruction. The dataflow paradigm was used to port the analysis of image data for localization microscopy and for 3D electron tomography from an imperative description towards the FPGA for the first time. After the primitives of image processing on FPGAs are presented, a general workflow is given for analyzing imperative source code and converting it to a hardware pipeline where every node processes image data in parallel. The theoretical foundation is then used to accelerate both example applications. For localization microscopy, an acceleration of 185 compared to an Intel i5 450 CPU was achieved, and electron tomography could be sped up by a factor of 5 over an Nvidia Tesla C1060 graphics card while maintaining full accuracy in both cases.
• Weiterentwicklungen in der Mikrochipherstellung und verbesserte Programmierwerkzeuge ermöglichen es, rekonfigurierbare Hardware auch zunehmend für die Beschleunigung umfangreicherer Anwendungen einzusetzen. In dieser Dissertation wurde die Eignung von Field Programmable Gate Arrays (FPGAs) für die Ausführungsbeschleunigung von Anwendungen untersucht, die zur Bildverarbeitung und -rekonstruktion in der Biomedizin eingesetzt werden. Anhand der Datenflussbeschreibung wurde die Bildanalyse für die Lokalisationsmikroskopie und die Bildrekonstruktion in der dreidimensionalen Elektronentomografie erstmalig von einer imperativen Beschreibung auf den FPGA zu portieren. Nachdem die Grundelemente der Bildverarbeitung auf dem FPGA beschrieben wurden, untersucht die Arbeit, wie imperativer Quellcode analysiert und zu einem Pipeline-System in Hardware umgeschreiben werden kann, so dass jeder Knoten Bilddaten parallel verarbeitet. Diese Grundlage wird dann verwendet, um beide Anwendungen zu beschleunigen. Für die Lokalisationsmikroskopie konnte ein Beschleunigungsfaktor von 185 gegenüber einer CPU (Intel i5 450) erreicht werden, und die Elektronentomografie wurde um einen Faktor fünf gegenüber einer Grafikkarte (Nvidia Tesla C1060) beschleunigt. In beiden Fällen konnte die Genauigkeit der Ergebnisse erhalten werden.