本發(fā)明涉及放射治療劑量計算領域，具體為一種蒙特卡洛快速劑量計算方法。
背景技術：
1、蒙特卡洛劑量計算技術是一種依賴于隨機采樣的數(shù)值模擬手段。在處理粒子傳輸問題時，該技術利用計算機生成的偽隨機數(shù)，依據(jù)特定概率分布對粒子物理傳輸過程中的相關參數(shù)進行隨機采樣，從而模擬單個粒子在介質中的運動軌跡。作為放射治療劑量計算領域公認的高精度計算方法，蒙特卡洛技術憑借其在粒子傳輸模擬和幾何建模方面的精確性，在醫(yī)學物理學和輻射劑量學中占據(jù)重要地位。
2、盡管如此，通用型的蒙特卡洛模擬軟件，例如egs4、egsnrc、geant、mcnp等，雖然采用了高精度的傳輸算法和反應截面數(shù)據(jù)來模擬不同能量粒子在各種介質中的傳輸過程，但其計算耗時過長的問題仍然是臨床應用中的主要瓶頸。多年來，為了提高計算效率、縮短計算時間，研究者們提出了多種基于不同原理的快速蒙特卡洛計算模型，使得蒙特卡洛方法的計算速度得到了顯著提升。然而，要達到臨床應用中近乎實時計算的要求，仍需進一步的技術突破。
3、自2006年nvidia公司推出基于gpu的并行計算架構cuda以來，利用gpu進行蒙特卡洛模擬逐漸成為劑量計算研究中的一個重要方向。與傳統(tǒng)的cpu計算相比，gpu在單位計算能力的成本和能耗方面具有顯著優(yōu)勢，這些特點使其在醫(yī)學物理學領域展現(xiàn)出巨大的應用潛力。在此期間，全球多個研究團隊相繼開發(fā)了基于gpu的蒙特卡洛模擬工具，如gdpm[2]、gpumcd、gmc、smc等[3-5]。這些工具在保持蒙特卡洛模擬高精度的同時，大幅提升了計算速度。
4、nvidia的ampere架構是2020年推出的一款革命性gpu架構[6]，代表了gpu技術在性能、能效和功能上的重大突破。該架構基于臺積電7納米或三星8納米制程工藝，顯著提升了晶體管密度和能效比，為高性能計算、人工智能和圖形渲染等領域提供了強大的硬件支持。ampere架構的核心創(chuàng)新包括第三代tensor?core和第二代rt?core。第三代tensor?core支持多種數(shù)據(jù)類型（如fp64、tf32、fp16等），大幅加速了深度學習訓練和推理任務，同時引入了稀疏計算技術，通過利用神經(jīng)網(wǎng)絡中的稀疏性，進一步提升了ai計算效率。第二代rtcore則通過改進的光線追蹤算法和硬件加速，顯著提升了實時光線追蹤性能，為游戲開發(fā)、影視渲染和工業(yè)設計帶來了更逼真的視覺效果。
5、nvidia?ampere架構的結構稀疏化特性和mig特性是提升gpu性能和利用率的重要創(chuàng)新。結構稀疏化特性主要通過剪枝技術，將神經(jīng)網(wǎng)絡中的非重要參數(shù)置零，從而生成稀疏網(wǎng)絡。在nvidia?ampere架構中，這種稀疏性以2:4的模式呈現(xiàn)，即每四個元素中至少有兩個必須為零。這種模式使得矩陣乘法操作的數(shù)據(jù)占用空間和帶寬減少了一半，同時通過稀疏tensor?core跳過零值的計算，理論上將計算吞吐量翻倍。這種特性在深度學習推理中尤其有用，因為它可以顯著加速矩陣乘法操作，提高模型的推理速度，同時保持模型的精度。mig（multi-instance?gpu）特性允許將一個物理gpu安全地劃分為多達7個獨立的gpu實例，每個實例都具有獨立的內(nèi)存路徑、緩存和計算核心。這種劃分方式確保了每個實例的資源隔離，使得多個用戶或應用程序可以同時使用gpu資源，而不會互相干擾。mig特性特別適用于未完全飽和的工作負載，通過并行運行不同的工作負載來最大化gpu的利用率。此外，mig支持多種部署配置，包括裸機、虛擬機透傳和基于mig的vgpu，為不同的應用場景提供了靈活性。
6、gdpm、gpumcd、gmc等基于gpu顯存的蒙特卡洛程序均未充分利用nvidia新一代的ampere架構的優(yōu)點，蒙特卡洛的并行化模擬在計算速度上還有進一步挖掘的空間，本方法在原有蒙特卡洛模擬的基礎上，設計了一套適配ampere及更新一代架構的計算方法，從而進一步的提高gpu蒙特卡洛模擬的計算速度。
技術實現(xiàn)思路
1、本發(fā)明的目的在于提供在原有蒙特卡洛模擬的基礎上，設計了一套適配nvidiaampere及更新一代架構顯卡的計算方法，從而進一步的提高gpu蒙特卡洛模擬計算速度的一種蒙特卡洛快速劑量計算方法。
2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：包括以下步驟：
3、s1:?加載模擬參數(shù)；
4、s2:?獲取放射治療加速器的粒子源相空間數(shù)據(jù)；
5、s3:?獲取人體解剖結構圖像數(shù)據(jù)，并重建成人體三維矩陣；
6、s4：將三維人體矩陣網(wǎng)格化；
7、s5：輸入蒙特卡洛劑量計算參數(shù)，構建精細化蒙特卡洛劑量計算物理模型；
8、s6：利用ampere架構的結構化稀疏性，將對輸入矩陣中低貢獻體素進行動態(tài)壓縮，減少顯存占用、數(shù)據(jù)傳輸開銷以及計算，對體素采用“索引-值”?稀疏存儲模式，假定m是矩陣的長，n是矩陣的寬，l是矩陣的高，建立索引數(shù)組記錄其空間坐標(i,j,k)，將原始體素矩陣v∈r（m×n×l）轉換為稀疏矩陣，對輸入矩陣中的低貢獻體素實施動態(tài)壓縮，降低顯存占用、數(shù)據(jù)傳輸開銷及計算量；
9、s7：利用ampere架構的mig特性，將每個劑量計算單位的數(shù)據(jù)輸入采用多實例mig的計算，并分配至不同的顯存中，并將對應的粒子模擬數(shù)據(jù)按照同樣的方式存放在不同的mig實例顯存中；
10、s8：在不同的mig實例中，啟動粒子的輸運計算，通過采樣的方式獲得粒子的初始能量e和方向v；
11、s9：確定好粒子的能量e和方向v后，采用抽樣的方式，結合不同材料的粒子截面數(shù)據(jù)，判斷粒子在不同截面中的碰撞反應和粒子行進的平均自由程，計算行進路線上的劑量沉積，并將結果保存至對應的mig實例內(nèi)存中；
12、s10：將每個mig實例中的歸一化的網(wǎng)格劑量計算結果疊加，得到總的輻射劑量；
13、s11：將結果拷貝至cpu緩沖中，將緩沖中的數(shù)據(jù)保存至磁盤上。
14、優(yōu)選的，所述s5中針對粒子運動步長抽樣，依據(jù)介質的線性衰減系數(shù)，通過概率密度函數(shù)進行步長的隨機抽樣，其中與介質材料、粒子類型及能量密切相關，通過查表法實時獲取對應介質的值。
15、優(yōu)選的，所述s5中在相互作用類型判定環(huán)節(jié)，基于粒子當前能量e，結合介質材料的原子序數(shù)、密度等特性，調(diào)用預先建立的截面數(shù)據(jù)庫，通過概率計算確定碰撞、康普頓散射、光電效應、電子對產(chǎn)生等相互作用的發(fā)生概率??。
16、優(yōu)選的，所述s5中能量沉積計算時，依據(jù)具體相互作用類型，采用對應物理公式計算能量沉積量δe，光電效應中，能量沉積與原子的電子結合能、光子能量相關，通過公式（bi為電子結合能）計算，更新粒子剩余能量為。
17、優(yōu)選的，所述s6中構建體素貢獻度計算模型，對于三維劑量計算空間中的體素，其劑量貢獻度c通過粒子輸運的能量沉積累積確定，其中，n為經(jīng)過該體素的粒子數(shù)，δen為粒子n的能量沉積，δ為位置判定函數(shù)，設定貢獻度閾值dth，低于該閾值的體素判定為低貢獻體素，其中為0-1之間的系數(shù)，設定低于貢獻度閾值的去掉，使用高于貢獻度閾值的體素，考慮粒子碰撞過程中對其影響較小的體素，減少顯存占用和計算量???。
18、優(yōu)選的，所述s7中檢測顯卡硬件資源，包括sm單元數(shù)量、顯存容量、顯存帶寬、寄存器文件大小，檢查顯卡是否支持mig特性在實例初始化階段，加載定制化的計算內(nèi)核程序，初始化顯存空間，建立實例內(nèi)部的線程調(diào)度隊列，確保計算任務高效執(zhí)行，根據(jù)輸入數(shù)據(jù)顯存占用的大小，配置不同顯存占用單元，并預留部分共享資源用于數(shù)據(jù)交互，mig?實例劃分需滿足顯存容量約束條件，同時預留動態(tài)調(diào)整空間。
19、優(yōu)選的，所述s10中粒子模擬完成后，每個mig實例中會得到一個計算的結果，將計算區(qū)域內(nèi)多個劑量計算的結果疊加，得到總的輻射劑量分布。
20、綜上所述，由于采用了上述技術，本發(fā)明的有益效果是：
21、與現(xiàn)有技術相比，本技術實施例提供一種基于nvidia架構的gpu并行蒙特卡洛快速劑量計算方法，通過兩種主體方法優(yōu)化蒙特卡洛模擬粒子的輸運過程，本發(fā)明具有顯著優(yōu)勢：利用nvidia顯卡的結構化稀疏特性，動態(tài)壓縮輸入數(shù)據(jù)，使顯存有效利用率提升，保障計算任務連續(xù)運行；mig?實例管理技術結合多維度調(diào)度與跨實例協(xié)同，使?gpu?資源利用率提升，尤其在多任務并行場景下優(yōu)勢明顯。兩者協(xié)同工作，充分發(fā)揮?nvidia?ampere及更新一代架構顯卡的硬件性能，將蒙特卡洛劑量計算效率提升至新水平，減少計算時間，有力支撐粒子輸運的gpu蒙特卡洛計算需求??。