FAST-Imaging/FAST

解决的问题

FAST 旨在简化医疗图像的高性能处理、神经网络推理和实时可视化。它消除了在不同处理器（CPU 和 GPU）之间手动管理内存的复杂性，并为在实时医疗成像管道中部署深度学习模型提供统一接口。

工作原理

该框架使用现代 C++、OpenCL 和 OpenGL 来利用多核 CPU 和 GPU。它提供了一个统一的神经网络推理接口，支持 TensorRT、OpenVINO、TensorFlow 和 ONNX Runtime 等后端，兼容 ONNX 和 protobuf 等多种模型格式。它会自动管理跨存储区域的数据一致性，使开发者能够专注于算法逻辑，而非显式内存处理。

适用人群

从事医疗影像研究和开发的人员，特别是需要使用深度学习和高性能计算实时处理 2D/3D 图像、表面网格和时序数据的开发者。

主要亮点

• 统一的推理接口：支持多种后端（TensorRT、OpenVINO、TensorFlow、ONNX Runtime）和格式（ONNX、protobuf、SavedModel）。
• 数据流处理：支持来自摄像头、Intel RealSense 和超声波扫描仪等设备的静态和动态数据。
• 高性能算法：包含高斯平滑、非局部均值和等值面提取（marching cubes）的并行 OpenCL 实现。
• 快速可视化：渲染与计算使用独立线程，确保 2D 和 3D 可视化流畅（体渲染、网格、WSI 图金字塔）。
• 广泛格式支持：兼容 DICOM、NIFTI、HDF5 和全切片图像（WSI）。
• 互操作性：支持 Python 使用，并可集成到 Qt 应用程序中。