GPU accelerated Fourier Ptychography

Abstract

Fourier Ptychography er en nylig utviklet teknikk innenfor beregningsbasert mik- roskopi, som rekonstruerer et høyoppløselig bilde, med stort synsfelt, ut i fra et sett med lavoppløselige mikroskop-bilder. En programmerbar LED-matrise belyser prøven fra flere vinkler, slik at den kan rekonstrueres i høy detalj av en iterativ faseinnhentnings-algoritme. Denne avhandlingen utforsker potensialet FP-algoritmen har til å utnytte den ubestridte regnekraften til moderne GPUer. En GPU-basert FP rekonstruksjonsal- goritme er utviklet i CUDA og sammenlignet med en eksisterende Matlab imple- mentasjon, med en økning i ytelse på opptil 70x. Ytelsen og nøyaktigheten til CUDA-basert FP rekonstruksjon i singelpresisjon er sammenlignet med dobbelpresisjon. Med en ytelsesøkning tilsvarende 4.3x, uten tap i nøyaktighet. Motivasjonen for en blokkprosesserings-tilnærmelse for rekonstruksjon av store bilder er diskutert. Både med tanke på bildekvalitet og minnehåndtering. En multi- tråd blokkprosesserings-løsning for rekonstruksjon av store bilder er presentert og utviklet i CUDA. Muligheten for å skjule minnetransaksjoner og oppnå høyere ytelse, ved å benytte flere CUDA strømmer, er diskutert og realisert med moderat ytelsesøkning. En simpel metode for korrektere uønskede effekter, som følger av å sy sammen bilder i blokkprosessering, er presentert og implementert på GPU med tilstrekke- lige resultater.

Fourier Ptychography is a recently developed technique in computational micro- scopy that reconstructs a high field of view, high resolution image from a set of low resolu- tion microscope images. The sample is illuminated from multiple incident angles using a programmable LED matrix as back-light, and reconstructed using an iter- ative phase-retrieval algorithm. In this thesis, the potential for the FP reconstruction algorithm to utilize the unprecedented computing power of modern GPU’s is investigated. A GPU based Gauss-Newton FP reconstruction algorithm is developed in CUDA and compared against an existing Matlab implementation, with an achieved increase in through- put of up to 70x. The performance and accuracy of single-precision CUDA FP reconstruction is measured against double precision, yielding increased throughput of 4.3x in single precision with no loss of accuracy. The motivation for a block-processing approach to reconstruct large images is discussed. Both in terms of improved quality of reconstruction, and efficient memory handling. A multi-threaded block-processing solution for large image re- construction is presented and developed in CUDA. The prospect of this solution to hide memory transfers and improve performance, through concurrency of mul- tiple CUDA streams, is discussed and realized with moderate performance gain. A simplistic method of correcting stitching effects that arise from block-processing is presented and implemented on GPU, with adequate results.