基于GPU硬件加速医学图像分割探讨

医学图像分割,尤其是三维体数据上的器官分割,是目前的一个研究热门。它是一个多学科交叉的研究领域,是计算机数字图象处理在生物医学工程中的重要应用。它涉及了图象与信号处理和医学影像学、诊断学等方面的相关知识,同时三维体数据及其分割结果的可视化又需要借助计算机图形学技术。医学图像分割及其可视化在诊断医学、手术规划及模拟仿真、放射治疗规划、解剖教学等方面都有重要应用。因此,对医学图像分割的研究,具有重要的学术意义和应用价值。然而,医学图像处理中的一大问题是数据量巨大,很多优秀的图像处理和分割算法又往往需要相当大的运算量,因而,对医学图像进行分割等处理时,常常要耗费大量的时间,从而在一些方面限制了它的应用范围。随着计算机硬件技术的飞速发展,图形处理单元GPU的计算能力近年来呈几何级数增长。如今,GPU已不仅被用于图形渲染,还凭借着其出色的浮点计算能力、流式并行架构以及灵活的可编程性,被越来越多的人用于进行图形学以外的其他领域上的通用计算,从而形成了一项新技术——GPGPU技术。本文研究的主要内容,就是利用GPU的高速计算性能,来解决一些医学图像处理和分割中的问题,从而提高程序运行效率,改善用户体验。文章分为两大部分,分别研究了GPU在与医学图像分割相关的图形计算和通用计算中的应用技术。在图形计算部分,本文对已有的RayCasting体绘制算法加以改进,使其支持多分割对象的同时绘制,并且设计和实现了基于RayCasting的三维分割交互方式。在通用计算部分,本文首先先容了利用GPU的图形渲染管线进行通用计算的基本思路和技巧,然后以一些实例说明了使用GPGPU技术进行二维和三维图像处理的基本方法和步骤,最后分别对基于扩散的三维区域生长分割和基于GPU的GraphCuts三维图像分割作了具体的研究。文章还通过实验,对GPU和CPU实现的几种分割算法的运行速度进行对比,从中可以看出,GPU对于三维医学图像分割具有巨大的加速作用。【关键词】：医学图像图像分割可编程图形硬件通用计算
【论文提纲】：摘要3-5ABSTRACT5-10第1章绪论10-151.1GPU的发展历程10-121.2GPU的局限性121.3GPGPU技术研究和应用现状12-131.4本文的研究内容和结构13-15第2章图形渲染流水线与可编程GPU简介15-222.1流式编程模型152.2图形渲染流水线15-192.2.1固定功能的图形流水线16-172.2.2可编程图形流水线17-192.3可编程图形渲染流水线的软件开发技术19-212.3.1Direct3D192.3.2OpenGL19-202.3.3OpenGL扩展编程20-212.3.4高级着色语言212.4本章小结21-22第3章基于GPU加速的交互式三维绘制技术22-343.1三维体数据223.2三维体数据绘制技术概述22-233.3基于GPU加速的RayCasting体绘制技术23-253.4基于RayCasting的分割后医学数据可视化25-293.4.1分割结果的表示25-263.4.2多分割对象的传递函数设置26-273.4.3基于IDVolume和RayCasting的分割结果可视化27-293.5分割交互技术29-333.5.1基于掩膜涂绘的二维图像分割交互29-313.5.2基于掩膜涂绘的三维图像分割交互31-333.6本章小结33-34第4章GPGPU技术基础34-464.1GPGPU技术的硬件基础34-354.1.1IEEE标准的实数纹理344.1.2离屏渲染与render-to-texture技术34-354.1.3多缓冲区渲染354.1.4缓冲区复制354.2GPGPU编程的基本概念35-394.2.1数组即纹理36-374.2.2内核即着色器37-384.2.3运算即绘制384.2.4乒乓技术38-394.3GPU程序的调试技巧39-424.3.1GLIntercept40-414.3.2OpenGL标准查错函数41-424.3.3逻辑错误的调试策略424.4GPU程序的优化技巧42-454.4.1优化总线带宽的使用42-434.4.2有效利用GPU的并行性43-444.4.3避免重复计算44-454.4.4调整显存访问模式454.5本章小结45-46第5章图像处理和分割算法的GPU实现基础46-575.1利用GPU实现数字图像处理的基本方法465.2阈值分割和窗宽窗位调整46-485.3基于卷积的滤波与边界检测48-495.4基于扩散的滤波和区域生长分割49-555.4.1扩散的理论背景49-505.4.2基于扩散的平滑滤波50-535.4.3基于扩散的区域生长分割53-555.5本章小结55-57第6章基于GPU加速的GraphCuts分割57-746.1GraphCuts算法基础57-596.2求取最大流的推进-重标号算法59-616.2.1定义59-606.2.2算法描述60-616.3二维GraphCuts在GPU上的实现61-666.3.1数据存储61-626.3.2初始化与建图62-646.3.3推进-重标号64-666.4三维GraphCuts在GPU上的实现66-696.4.1数据存储676.4.2初始化与建图67-686.4.3推进-重标号68-696.5GraphCuts的应用：自动股骨头分割69-736.5.1算法概述69-706.5.2股骨头的自动定位70-716.5.3股骨头的三维GraphCuts分割71-736.6本章小结73-74第7章总结与展望74-767.1全文总结747.2研究展望74-76参考文献76-80程序测试环境（附录1）80-81致谢81-82攻读硕士学位期间发表或录用的论文82-84