L’articolo "Hardware Implementation of a Brain Inspired Filter for Image Processing", pubblicato nel 2017 in IEEE Transactions on Nuclear Science (TNS), è stato scelto per ricevere il premio per il miglior articolo della rivista TNS di questo anno. Gli articoli premiati sono normalmente presentati alla conferenza più rilevante per l’argomento dell’articolo, sponsorizzata dalla Nuclear and Plasma Sciences Society (NPSS). In questo caso è la conferenza Real Time che sarà tenuta in Vietnam a ottobre 2020. Lo studio presentato nell’articolo è stato sviluppato nel progetto europeo FP7 “Fast Tracker for Hadron Colliders”.
Da sinistra: Alessandra Retico e Paola Giannetti (INFN Pisa), Chiara Roda e Mauro Dell’Orso (Università di Pisa).
Il progetto iniziato a febbraio 2013, di durata di 4 anni, è stato finanziato dalla comunità europea con oltre 1,5 milioni di euro per affrontare la questione della ricostruzione in tempo reale di immagini estremamente complesse, tipici esempi del problema dei “Big Data”. Lo studio sfrutta analogie in particolare fra due tipi di immagini: eventi di fisica delle particelle prodotti all’acceleratore LHC di Ginevra e immagini di cervelli acquisiti con la Risonanza Magnetica (MRI).
La capacità del cervello di selezionare solo i dati rilevanti per un certo compito descritta in dettaglio nell’articolo “Information and perception of meaningful patterns”, di M. Del Viva, G. Punzi, e D. Benedetti, ha ispirato la nostra collaborazione a sviluppare nuove tecnologie per affrontare i problemi del mondo dei Big Data. L’articolo premiato mostra che queste tecnologie possono produrre diagnosi mediche in tempi molto più brevi dei procedimenti standard, permettendo quindi anche analisi più complesse.
La squadra del progetto costituita da università e da aziende di vari paesi europei, coordinata da Mauro Dell’Orso e Chiara Roda dell’Università di Pisa, ha costruito “acceleratori” per algoritmi che usualmente richiedono troppo tempo di processamento e troppe risorse per essere processati da computer commerciali.
Questa tecnologia filtra l’informazione significativa delle immagini (riconoscimento di patterns) lavorando come il cervello che seleziona solo i dati che corrispondono a un particolare gruppo di patterns significativi per memorizzarli e per un processamento successivo di più alto livello. La tecnologia da noi sviluppata simula questa funzione di basso livello del cervello.
L’articolo premiato presenta l’implementazione software e hardware dell’algoritmo di riconoscimento di pattern e dimostra le sue potenzialità nell’ambito di applicazioni biomediche, più specificamente nella ricerca MRI.
L’implementazione hardware di questo algoritmo usa Field Programmable Gate Arrays (FPGAs) e chip ASIC chiamati Memorie Associative in una potente combinazione per eseguire entrambi il training e l’acquisizione dei dati in tempo reale. Abbiamo dimostrato che per immagini in bianco e nero e bidimensionali questo sistema accelera il training e l’acquisizione di un fattore circa 1000 e 100 rispettivamente rispetto a CPU di ultima generazione. Il sistema è generico e può facilmente essere adattato al processamento di immagini MRI trimensionali che richiedono molte più risorse.
Più dettagli riguardanti l’argomento dell’articolo premiato sono descritti a questo link, mentre l’idea delle Memorie Associative nata a Pisa grazie alla collaborazione di Mauro Dell’Orso (UNIPI) e Luciano Ristori (INFN) è descritta nel loro articolo “VLSI structures track finding,” Nucl. Instrum. Methods Phys. Res. A, Accel., Spectrom., Detectors Assoc. Equip., vol. 278, pp. 436–440, Sep. 1989.