FAST
FAST 是一个开放源码的跨平台框架，主要目标是在利用多核 CPU 和 GPU 的异构系统上更容易地进行医学图像的高性能处理和可视化。为了实现这一目标，FAST 使用了现代 C++、OpenCL 和 OpenGL。
开始使用
首先，确保你已经 安装了需求。
可以 下载 Windows 和 Ubuntu Linux 的稳定的二进制版本/安装程序。
要开始使用这个框架，请看 FAST 入门指南 和示例。
FAST 也可以通过 pip 在 Python 3 中使用：pip install pyfast
可以在 这里 找到 Python 的例子。
主要特点
- 数据流 -- FAST 中的处理管道可以处理静态和动态/时间数据，而不需要改变代码。FAST 可以从电影文件、您的网络摄像头、英特尔 RealSense 摄像头、图像序列，甚至直接从 Clarius 等超声波扫描仪中流出数据。
- 深度学习 -- FAST 为神经网络提供了一个通用的接口，支持不同的模型格式（ONNX、protobuf、SavedModel、OpenVINO、UFF）和后端（Google TensorFlow、NVIDIA TensorRT、Intel OpenVINO），使得创建实时神经网络管道成为可能。
- 高层数据管理 -- FAST 中的数据对象在所有处理器上代表数据，如图像。FAST 在不同的存储区域中保持数据的一致性，从而消除了开发人员显式内存处理的负担。
- 广泛的数据格式支持 -- FAST 支持多种数据格式（DICOM、元图像（MHD）、常规的 jpg/png/bmp 图像、视频、HDF5、VTK 多数据、整张幻灯片图像、超声波文件格式）和数据类型（图像2D和3D、灰度和彩色、图像金字塔、表面网格、顶点、线条、文本++）。
- 高性能算法 -- FAST 拥有多个常用算法的高性能并行 OpenCL 实现，如行进立方体曲面提取、高斯平滑、非局部手段、块匹配跟踪和种子区域生长等。
- 快速并发可视化 -- 渲染和计算在不同的线程中完成，以保证平滑的响应式可视化。支持多种类型的可视化，包括 3D（网格、点、线、图像切片和体积渲染）和2D（2D图像、图像切片和分割/标签渲染、整张幻灯片图像（WSI）金字塔）。
- 互操作性 -- FAST 可以和 Python 一起使用，也可以很容易地集成到现有的 Qt 应用程序中。
科研
以下研究文章中已经描述了 FAST。如果你使用这个框架进行研究，请引用它们：
FAST：异构医学图像计算和可视化框架
Erik Smistad, Mohammadmehdi Bozorgi, Frank Lindseth
International Journal of Computer Assisted Radiology and Surgery 2015。
利用 FAST 对医学图像进行高性能神经网络推理、流式处理和可视化处理
Erik Smistad, Andreas Østvik, André Pedersen
IEEE Access 2019
构建
要设置和构建框架，请看你的操作系统的说明。
- Linux (Ubuntu)
- Windows
- Mac OS X 注意：由于苹果公司决定停止支持 OpenCL 和 OpenGL，Mac OS X 版本是不稳定的，而且不再积极维护。
许可证
FAST 本身是在允许的 BSD 2-clause 许可下获得许可的，然而 FAST 的二进制版本包含了一些第三方库，这些库使用了许多不同的开源许可（MIT，Apache 2.0，LGPL ++），更多细节请参见发行版中的许可文件夹。
