GPU-accelerated connectome discovery at scale.
GPU-accelerated connectome discovery at scale.
复制标题
DOI：
10.1038/s43588-022-00250-z
复制
发表时间：
2022-05
期刊：
影响因子：
--
通讯作者：
Sridharan, Devarajan
中科院分区：
文献类型：
--
作者：
Sreenivasan, Varsha;Kumar, Sawan;Pestilli, Franco;Talukdar, Partha;Sridharan, Devarajan
扩散磁共振成像和纤维束成像能够估计人体大脑中的解剖连接，在体内。然而，在没有地面事实验证的情况下，不同的纤维追踪成像算法可能会产生差异很大的连接性估计。尽管流线型修剪技术可以缓解这一挑战，但缓慢的计算时间阻碍了它们在大数据应用程序中的使用。我们提出了“正则化，加速，线性束评估”（ReAl-LiFE），这是一种基于GPU的最先进的流线修剪算法（LiFE）的实现，与以前基于CPU的实现相比，它实现了>100倍的加速比。利用这些加速，我们克服了LiFE算法的关键限制，以生成更稀疏和更准确的连接体。我们展示了Real-LiFE的能力，以最高的重测可靠性估计连接，同时优于竞争的方法。此外，我们预测了个体间的变化，在多个认知分数与真实的LiFE连接体功能。我们建议ReAl-LiFE作为一种及时的工具，超越了最先进的技术水平，用于大规模准确发现个性化的大脑连接体。最后，我们的GPU加速实现一个流行的非负最小二乘优化算法是广泛适用于许多现实世界的问题。准确的大脑结构连接估计是揭示大脑-行为关系的关键。RealAl-LiFE是一种GPU加速的方法，可用于大规模快速可靠地评估个性化的大脑连接体。
Diffusion magnetic resonance imaging and tractography enable the estimation of anatomical connectivity in the human brain, in vivo. Yet, without ground-truth validation, different tractography algorithms can yield widely varying connectivity estimates. Although streamline pruning techniques mitigate this challenge, slow compute times preclude their use in big-data applications. We present ‘Regularized, Accelerated, Linear Fascicle Evaluation’ (ReAl-LiFE), a GPU-based implementation of a state-of-the-art streamline pruning algorithm (LiFE), which achieves >100× speedups over previous CPU-based implementations. Leveraging these speedups, we overcome key limitations with LiFE’s algorithm to generate sparser and more accurate connectomes. We showcase ReAl-LiFE’s ability to estimate connections with superlative test–retest reliability, while outperforming competing approaches. Moreover, we predicted inter-individual variations in multiple cognitive scores with ReAl-LiFE connectome features. We propose ReAl-LiFE as a timely tool, surpassing the state of the art, for accurate discovery of individualized brain connectomes at scale. Finally, our GPU-accelerated implementation of a popular non-negative least-squares optimization algorithm is widely applicable to many real-world problems. Accurate structural brain connectivity estimation is key to uncovering brain–behavior relationships. ReAl-LiFE, a GPU-accelerated approach, is applied for fast and reliable evaluation of individualized brain connectomes at scale.
登录
查看更多内容
影响因子：
5.8
作者：
Chanraud, Sandra;Zahr, Natalie;Sullivan, Edith V.;Pfefferbaum, Adolf
通讯作者：
Pfefferbaum, Adolf
影响因子：
5.7
作者：
Kashyap, Rajan;Kong, Ru;Yeo, B. T. Thomas
通讯作者：
Yeo, B. T. Thomas
影响因子：
13.6
作者：
Schiavi, Simona;Ocampo-Pineda, Mario;Daducci, Alessandro
通讯作者：
Daducci, Alessandro
影响因子：
5.7
作者：
Van Essen, D. C.;Ugurbil, K.;Auerbach, E.;Barch, D.;Behrens, T. E. J.;Bucholz, R.;Chang, A.;Chen, L.;Corbetta, M.;Curtiss, S. W.;Della Penna, S.;Feinberg, D.;Glasser, M. F.;Harel, N.;Heath, A. C.;Larson-Prior, L.;Marcus, D.;Michalareas, G.;Moeller, S.;Oostenveld, R.;Petersen, S. E.;Prior, F.;Schlaggar, B. L.;Smith, S. M.;Snyder, A. Z.;Xu, J.;Yacoub, E.
通讯作者：
Yacoub, E.
影响因子：
48
作者：
Pestilli, Franco;Yeatman, Jason D.;Rokem, Ariel;Kay, Kendrick N.;Wandell, Brian A.
通讯作者：
Wandell, Brian A.