基于GPU三维医学图像处理算法探讨

医学图像处理与分析技术不仅极大地提高了现代医学临床诊断水平,而且为医学培训、教学与研究、手术导航等提供了数字实现手段,成为推动现代医学发展的重要气力|教学论文范文|。因此,关于医学图像处理与分析技术的研究一直是国内外广大学者所关注的焦点,这对保证人们身体健康和提高人们身体素质具有重大意义。根据当前实际应用的需求,采用直观的包含丰富信息的3D数据代替简单的2D图像已成为医学图像处理领域的发展趋势。但是,在目前的个人电脑中进行三维数据处理还是|教学论文范文|一个非常耗时的计算过程,不能满足实际应用中的实时性要求,这主要归因于三维图像包含数据量较大,而且各种医学图像处理算法相对复杂、计算量较大。因此,如何进一步提高三维医学图像处理算法的计算效率,使其满足实时应用的需求,是当前该领域内一个亟待解决的问题。近年来,计算机图形处理器(GraphicsProcessingUnit,GPU)得到了极大地发展,从最初局限于图形渲染的图形卡,发展为如今可编程的并行计算平台。针对GPU的高级编程语言如Cg、HLSL等使得人们更加轻易对其进行编程控制,并应用在渲染之外的通用计算方法,如偏微分方程求解、矩阵运算等。与CPU的串行计算模式不同,GPU是一种高度并行的流处理器,具有更强的浮点计算能力,在物理模拟、信号分析等很多领域人们将高强度的计算任务以适当的方式转化为流数据计算模式,通过编程在GPU中进行加速计算,通常能获得一个数量级的速度提高,这也是当今的热门研究问题之一。因此,通过对GPU编程发挥其高强度计算能力来解决三维医学图像处理的速度瓶颈,提高算法的执行效率,将是一个十分有应用价值的研究内容。本文首先研究了可编程图形处理器的体系结构及其流式编程模型。GPU的体系结构以图形流水线为基础,提供了顶点处理器和片断处理器的可编程特性,通过OoenGL等编程接口与主程序进行通讯。GPU将用户编写的程序作为运算核对数据流中的多个元素同时进行处理,实现高度的并行计算。但根据流计算的特点,GPU程序对存储器的访问将受到一定的限制。在此基础上,本文研究了高效的三维医学图像处理算法,主要包括基于3D纹理的精确体绘制方法、CPU-GPU联合工作模式加速基于互信息的3D图像刚性配准、GPU加速的圆弧轨迹Katsevich锥束CT重建算法,具体内容为:(1)基于3D纹理的体绘制方法是一种高效的三维医学体数据可视化手段,但由于受低采样率的影响,在终极绘制图像中往往会出现切片痕迹,造成图像质量较差。分段积分是提高绘制图像质量的有效方法,它首先对每个采样段应用体绘制积分方程,然后沿视线方向将所有采用段进行累加,得到较好质量的绘制图像。采样段内的颜色值通常采用线性表达式代入到体绘制积分方程中,但由于人体各组织之间关联复杂,线性插值不能很好地近似采样段内的颜色变化,本文通过计算每个采样段中点采样位置得到更加精确的抛物线近似表达,并进一步求解体绘制积分方程,将其化简为易于在GPU中实现的形式。通过顶点处理器计算采样段三个控制点位置的纹理坐标,利用片断处理器计算采样段上的积分方程。实验结果表明该方法在保证实时绘制速度的同时取得了更好的绘制图像质量。在此基础上,本文进一步改进了基于剪切几何体的剖切绘制方法,降低内存使用,提高剖切绘制的速度。(2)针对基于互信息的3D医学图像刚性配准,提出一种基于CPU-GPU联合工作模式的加速方法。最外层的搜索算法需要复杂的逻辑控制,但计算强度小,适合CPU计算。在搜索过程中调用互信息计算函数,首先将浮动图像进行空间变换和三线性插值,然后统计与参考图像之间的联合直方图,并根据联合直方图计算熵和互信息值。空间变换和三线性插值约消耗互信息计算函数的85时间,而且适合并行计算,因此将其移植至GPU中执行。采用平面三维纹理、渲染到纹理等技术编写顶点程序和片断程序,在GPU中执行三线性插值,并将结果读入系统内存,继续由CPU完成互信息值计算。实验结果表明,与传统方法相比,该算法在获得相似配准精度的情况下,将配准速度提高了一个数量级。(3)改进滤波反投影方法在GPU中的实现技术,并应用于圆弧轨迹Katsevich精确锥束重建算法中。Katsevich算法首先对投影数据进行滤波处理,包括偏导数计算、傅立叶变换、Hilbert变换等,这个过程由CPU完成,并将滤波后的投影数据传递到GPU内存,进行反投影计算。本文利用帧缓冲对象(FBO)的多个绑定点,将上一次的输出作为下一次渲染的输入,在GPU中完成所有射源转角下的反投影数据累加;采用浮点纹理映射保证重建图像的质量;设置RGBA四通道纹理实现数据级的并行计算;采用四叉树编码的矩形网格加速绘制过程。本文GPU加速的重建方法所得图像质量已非常接近于传统CPU重建方法,而重建速度却提高了10倍以上。最后,本文总结了三维医学图像处理算法在GPU平台上运行时的编程特点,主要包括GPU的存储器模型、三维数据结构、并行策略和程序优化等。【关键词】：可编程图形处理器直接体绘制三维医学图像配准Katsevich锥束CT重建
【论文提纲】：摘要4-6Abstract6-131绪论13-231.1研究背景及意义13-181.2GPU在通用计算领域中的应用18-201.3本文研究内容及主要贡献20-221.4论文结构安排22-232GPU通用计算性能及其开发环境23-312.1引言232.2可编程图形处理器的发展简介23-262.2.1计算机图形硬件的发展23-242.2.2图形硬件流水线24-252.2.3可编程图形管线25-262.3GPU通用计算模型26-282.4GPU通用计算特点及发展趋势28-292.4.1GPU通用计算的特点282.4.2GPU通用计算的发展趋势28-292.5可编程图形处理器的开发环境29-313基于三维纹理的精确体绘制积分31-603.1引言31-333.2体绘制方法的主要步骤33-373.2.1数据模型333.2.2滤波与分类33-353.2.3光照计算35-363.2.4颜色合成36-373.3精确分段体绘制积分方程37-443.3.1传统体绘制积分方程37-403.3.2抛物线插值的分段积分40-443.4三维纹理加速的体绘制44-513.4.1设置数据纹理45-463.4.2天生|教育论文网|几何体46-483.4.3渲染几何体48-503.4.4硬件颜色合成50-513.5剖切绘制51-533.5.1基于剪切几何体的体绘制剖切方法523.5.2结合传递函数的剖切方法52-533.6实验结果53-593.6.1实验数据53-543.6.2三维数据体绘制结果54-593.7小结59-604GPU加速基于互信息的三维医学图像刚性配准60-874.1引言60-624.2医学图像配准算法概述62-674.2.1图像配准的基本概念624.2.2图像配准的分类62-634.2.3配准算法的基本要素63-654.2.4图像的离散化特性65-674.3基于最大互信息值的图像配准67-724.3.1互信息值作为相似性测度67-704.3.2优化策略70-714.3.3加速方法71-724.4基于GPU的快速配准算法72-814.4.1GPU在图像配准中的应用72-734.4.2基于CPU-GPU联合平台的配准算法结构73-754.4.3设置平面三维纹理75-784.4.4执行GPU程序78-794.4.5渲染到纹理与数据传递79-814.4.6基于CPU的运算过程814.5实验结果81-864.5.1GPU实现体数据3D空间变换82-844.5.2GPU加速配准过程84-864.6小结86-875GPU加速的圆弧轨迹Katsevich锥束CT重建87-1075.1引言87-895.2圆弧轨迹Katsevich锥束重建89-955.2.1CT成像的基本原理89-905.2.2滤波反投影基础90-925.2.3圆弧轨迹Katsevich锥束重建算法92-945.2.4算法实现结构与CPU滤波94-955.3基于纹理映射的反投影计算95-975.3.1GPU在锥束CT重建算法中的应用95-965.3.2基于纹理映射的反投影方法96-975.4GPU加速锥束重建算法97-1035.4.1设置RGBA四通道纹理97-985.4.2细化矩形网格与纹理映射98-1015.4.3FBO渲染到纹理与多次渲染传递101-1025.4.4顶点程序与片断程序102-1035.5实验结果与分析103-1065.6小结106-1076三维医学图像处理中GPU程序优化方法107-1136.1GPU存储器模型107-1086.2GPU三维数据结构108-1106.2.13D纹理1086.2.22D纹理堆栈108-1096.2.3平面3D纹理109-1106.3数据并行计算110-1116.3.1指令级并行1106.3.2数据级并行110-1116.4计算性能111-1126.5小结112-1137总结与展望113-1167.1全文工作总结113-1147.2工作展望114-116参考文献116-125攻读博士学位期间发表学术论文情况125-126致谢126-127创新点摘要127-128