Obiettivi dell'Apprendimento
- Identificare i colli di bottiglia computazionali nei tradizionali flussi di ricostruzione RMN in serie.
- Valutare i miglioramenti prestazionali ottenuti parallelizzando gli algoritmi di gridding per dati k-spazio non cartesiani.
- Confrontare l'efficienza delle implementazioni OpenMP e CUDA per le trasformate veloci di Fourier in 3D.
- Analizzare l'impatto della parallelizzazione a livello dei dati sulla velocità di convergenza delle ricostruzioni iterative SENSE e GRAPPA.