2012年--外文翻譯--基于gpu的醫(yī)學圖像計算技術綜述（譯文）

1、<p><b>　　中文13000字</b></p><p>　　出處：Shi L, Liu W, Zhang H, et al. A survey of GPU-based medical image computing techniques[J]. Quantitative imaging in medicine and surgery, 2012, 2(3): 188.<

2、;/p><p>　　基于GPU的醫(yī)學圖像計算技術綜述</p><p>　　A survey of GPU-based medical image computing techniques</p><p>　　學 部（院）： 電子信息與電氣工程 </p><p>　　專 業(yè)： 生物醫(yī)學工程

3、 </p><p>　　基于GPU的醫(yī)學圖像計算技術綜述</p><p>　　Lin Shi，Wen Liu,Heye Zhang，Yongming Xie,DefengWang,</p><p>　　影像與介入放射學教研室，中國香港大學，新界沙田，中國香港; </p><p>　　CUHK深圳研究院，中國廣東省深圳市；</p>

4、<p>　　中國科學院深圳先進技術研究院，中國廣東省深圳市；</p><p>　　對應：DefengWang博士。影像與介入放射學，中國香港大學，威爾斯親王醫(yī)院，Shatin，新界，中國香港。電子郵件：dfwang@cuhk.edu.hk。</p><p>　　摘要：醫(yī)學影像目前被用于整個醫(yī)療科學研究、診斷和治療計劃之中，對整個臨床應用有至關重要的作用。然而，醫(yī)學成像過程通常

5、在計算上要求很高，大的三維（3D）醫(yī)療數據，是在實際臨床應用中被處理的。隨著圖形處理器性能的提高，它提高了編程支持，并且具有了良好的價格性能比。圖形處理單元（GPU）已成為一個有競爭力的并行計算平臺，它能處理復雜的任務，在醫(yī)學圖像廣泛應用。本次調查的主要目的是，給參與基于GPU的醫(yī)學圖像處理的初學者或研究人員提供一個全面的參考源。在本次調查中，GPU計算不斷進步，用于醫(yī)學圖像處理，即分割，登記和可視化的三個領域，以及現有的傳統(tǒng)的應用程序

6、，并且對潛在的優(yōu)勢和目前GPU再醫(yī)學成像相關的挑戰(zhàn)進行了討論，激發(fā)中醫(yī)藥未來的應用。</p><p>　　關鍵詞：圖形處理單元（GPU）;圖像分割;圖像配準;圖像可視化;高性能計算</p><p><b>　　介紹</b></p><p>　　并行處理，是醫(yī)療應用中的未來。在過去的幾年中，GPU的不斷發(fā)展為具有更高性能的加速器平臺數據并行計算工

7、具，特別是在醫(yī)學圖像處理和分析打好夯實的基礎。由于需求迅速增加，比如高性能計算和更復雜的圖形和科學應用，商用的圖形硬件已經從具有固定功能流水線顯著演變到可編程超級計算機（1）。同時，GPU也迅速發(fā)展成為范圍廣泛的計算密集型的處理器。此外，GPU設計用于特定類的具有以下特征的應用：（Ⅰ）大的計算需求，（Ⅱ）基本平行，和（III）全過程的延遲。</p><p>　　在最近幾年，GPU的運算速度迅速增加，從而GPU可用

8、于許多計算上繁重的任務。它比常規(guī)基于CPU的計算框架速度更為優(yōu)秀。近日，GPU已經成為了高性能計算領域具有競爭力的平臺，因為其巨大的處理能力。然而，它不能接受通用或非圖形計算。其結果是，由映射通用應用到圖形硬件實現通用計算許多努力被稱為通用計算上的圖形處理單元（GPGPU），其被引入用于基于現有GPU硬件的非圖形算法。 GPGPU的計算是通過使用專門的圖形處理，而不是矢量和矩陣運算符（3）進行的。然而，只有專業(yè)的研究人員和開發(fā)人員熟悉的

9、圖形API能流利地使用傳統(tǒng)的GPU / GPGPU開發(fā)平臺，它給不熟悉它的實際應用優(yōu)勢的客戶帶去了不便（4）。幸運的是，統(tǒng)一計算設備架構（CUDA）技術的出現可以克服這些缺點，在當前的GPU / GPGPU版本，以一定程度上存在。在2006年年底，NVIDIA公司推出的CUDA開發(fā)平臺，這有一種新型的編程接口和環(huán)境，為自己的GPU通用編程。對于通用的并行編程對NVIDIA GPU的方便，CUDA帶來的類似C開發(fā)環(huán)境，并提供給程序員（5）

10、。圖1顯示了CUDA編程模型的示意性概述。</p><p>　　在醫(yī)學和外科手術，第2卷，沒有2012年9月3日的定量成像</p><p>　　Shi等。基于GPU的醫(yī)學圖像計算調查</p><p>　　圖1的CUDA編程模型的概念框架。每個內核被分配到由多個塊的網格，并且每個塊包含螺紋（6）</p><p>　　一般來說，每個CUDA功能的

11、GPU是由多流多處理器集合的，是一個全球性的存儲器。如圖1中，內核是CUDA的基本構造塊，這將從主機（CPU）啟動，并在圖形裝置（GPU）上執(zhí)行。在圖形裝置的一部分，每個線程塊是一個單流多處理器，是由一組芯執(zhí)行。同時，該線程被組織到線程塊塊（7）的網格內。也存在一些其它方法對GPGPU進行計算，如Khronos 組織的OpenCL和微軟的DirectCompute，它們全部由并行計算的類似概念推導（7）。 CUDA已被廣泛研究，并廣泛應

12、用于各種應用領域，包括醫(yī)學物理，計算機視覺，計算機圖形學，等等。由于處理大型數據集的便捷，OpenCL和DirectCompute也將對CUDA更加成熟，在未來幾年。同時，相比以前的GPU（GPGPU），CUDA具有以下優(yōu)點（4,8,9）：</p><p><b>　　?</b></p><p>　　1.通用的編程環(huán)境。 CUDA簡單的理解為，它帶來了類似C開發(fā)環(huán)境，

13、為程序員提供不熟悉GPU。這是種類似C語言的編程，有更好的兼容性和可移植性。</p><p><b>　　?</b></p><p>　　2.更強大的并行計算能力。 CUDA是一個高性能并行計算平臺，并且也非常適合于充分利用GPU加速的并行功能。</p><p><b>　　?</b></p><p&g

14、t;　　3.更好的發(fā)展平臺。它是一種多用途的開發(fā)平臺，有CUDA證據的參考，如科學圖書館，開源編譯器，調試器和分析器。</p><p><b>　　?</b></p><p>　　4.更短的等待時間。主機（CPU）和圖形設備（GPU）之間的數據傳輸速率和等待時間已明顯改善。</p><p>　　雖然CUDA開發(fā)優(yōu)勢顯著，但是在過去的幾年里，CU

15、DA代碼手冊發(fā)展，仍然是很費力又費時的通用多核系統(tǒng)。因此，如何把喜愛的編程語言轉換成有效的并行CUDA程序，對此有相當的重要性意義，尤其是對普通用戶的CUDA。 A C到CUDA轉化體系，提出生成兩個級并行CUDA代碼，是在高效的數據訪問（10）進行了優(yōu)化。圖2實現的系統(tǒng)步驟順序。</p><p>　　在圖2中，CLooG是國家的最先進的代碼生成器，生成無CUDA代碼開發(fā)的手冊（10）轉化代碼。這項轉換框架可以產

16、生，處理任意輸入C編程代碼相應的、有效的CUDA代碼?；诟咝阅苡嬎愕母偁幠芰Γ珿PU計算已發(fā)展為一種有效的研究平臺，應用在醫(yī)學圖像處理和分析，如醫(yī)學圖像重建（11,12），實時去噪（ 13,14），登記（15,16），解卷積（17），分段（18,19）和可視化（20,21），由于旨在利用多線程功能GPU的并行計算能力-core結構。 GPU計算在醫(yī)學物理學最近一個詳細的調查能（22），其中Pratx是在接受調查的醫(yī)療物理學，發(fā)現了優(yōu)化

17、三個方面現有的應用程序，即圖像重建以及圖像處理，劑量計算和治療計劃醫(yī)學圖像配準，兩個或兩個以上的圖像轉變成一個共同的參照框架，除了保留傳統(tǒng)的GPU的優(yōu)點，例如巨大的存儲器功率的高性能計算，新開發(fā)的GPU計算平臺，帶來的可編程性和一般性的（24）。為了提供參考源，研究人員計劃開發(fā)修改GPGPU技術的程序，是歐文等人的研究領域。通用計算上的圖形硬件和各種通用計算應用（25）進行了調查。此外，比較GPGPU和傳統(tǒng)CPU的許多性能的研究發(fā)表。使

18、用GPG</p><p><b>　　醫(yī)學圖像分割</b></p><p>　　圖像分割的定義和方法</p><p>　　如今，醫(yī)學圖像分割在醫(yī)學圖像分析中起著的重要作用，例如，計算機輔助診斷（CAD），手術計劃和導航（19）。其目的是把目標圖像劃分成連接的區(qū)域，這是有意義的數學分析和醫(yī)學圖像的量化。由經典定義，圖像分割表示分割一個目標圖像劃分

19、成其非重疊結構區(qū)根據某些準則，如彩色信息，灰度強度或紋理特征（29）。為求圖像分割定義中，某一圖像2的域Ω：IRRΩ??被分成一組N類標簽被映射{}：1,2，...，SNΩ??，則分割問題可表示作為確定子標簽kS?Ω其聯(lián)合是整個圖像域Ω，而子標簽KS必須滿足</p><p>　　在醫(yī)學成像過程中，一個分段方法應該找到，那些對應于不同的解剖結構，或感興趣的區(qū)域的圖像（30）中的標簽。其結果是，許多分割算法已被廣泛地

20、在宿主出版物（31）研究了很多年，但他們依然是開放的困難任務，由于對象形狀的巨大可變性和圖像質量的變化。這些分割方法，大致可分為四組：（Ⅰ）基于像素的，（II）基于邊界的基礎，（Ⅲ）基于區(qū)域的，和（IV）混合為基礎的方法</p><p>　　2D，3D的精確分割，甚至4D醫(yī)療圖像隔離解剖結構的，進一步醫(yī)療分析是必要和重要的，幾乎任何計算機輔助診斷系統(tǒng)都被應用。 2006年8月，Boukerroui介紹了超聲圖像分

21、割的調查在臨床應用中的作用，相應的分割技術進行了進一步的分類，使用前信息（33）的條款。通常情況下，獲得良好的分割性能總是依賴于定量的視覺表征和圖像特征，這有助于從圖像背景提取組織/結構。由于傳感器噪聲或低信噪比的情況下，分割技術往往不能達到目標。因此，為了提高分割性能，圖像功能已經廣泛地在醫(yī)學圖像分割（34）成功地利用。同時，統(tǒng)計形狀模型的主動形狀??模??型（ASM），提出了有效地改善分割的質量的結果（35）?；谛〔ㄗ儞Q，Dava

22、tzikos等。進一步提出了在（36）以分層的ASM的方法。本地和全局域的方法，是根據目標圖像的強度分布，也被廣泛用于圖像分割（37）。此外，奧謝爾和Sethian于1988年首先提出的水平集方法，是一個強大而靈活的數字技術的圖像分割（38）。目前，這種電平設定方法及其擴展已被廣泛用于去噪，登記，圖像修復等，更多的圖像處理應用。</p><p>　　上述的自動分割技術通常以實現所需的臨床和實際應用（39）強大的分

23、割結果。其結果是，許多自動交互式機制最近已成為最佳的選擇，在現實生活中的醫(yī)療應用，例如交互式輪廓圈定（40）和種子區(qū)域生長（41,42）。理想的是，所述交互過程可發(fā)生在以允許用戶接收，關于他們的行為的即時反饋和改善的組織/結構分割的準確性。醫(yī)學圖像的分割仍然是一個挑戰(zhàn)性的問題。</p><p>　　在基于GPU的細分相關工作</p><p>　　雖然上述分割的研究已經變得越來越活躍，近幾十

24、年來，因為它們的價格昂貴，不適合實時診所應用。幸運的是，分割的方法可以以實時來實現，通過這些方法給GPU結構（19）的移植去適應操作環(huán)境。表1列出了一些基于GPU的圖像分割的方法和各自的特點</p><p>　　Shi等?；贕PU的醫(yī)學圖像計算調查</p><p>　　基于GPU的醫(yī)學圖像分割技術的首次實施是通過制定水平集分割的、圖像融合（50）的、圖形運算符的、序列來實現的?？删幊讨?/p>

25、器帶來了更大的靈活性，并啟用使用曲率正規(guī)化等值面（51）3D圖像的分割。然后，在CUDA（52）實現的。在一般情況下，分割的方法也可以被分為寬窄兩類，即，低級別和高級別的方法。區(qū)別低層次的方法，需要關于圖像中的對象的類型，沒有統(tǒng)計的信息，直接操縱像素/體素信息，以形成感興趣的（19）連接的對象/區(qū)域。分水嶺（53）和區(qū)域生長方法（54）的基于GPU的實現是典型的低級別的方法。一個更復雜和強大的統(tǒng)計分割，是基于自適應區(qū)域生長過程（55）G

26、PU平臺來實現。此外，馬爾可夫隨機場（MRF）和圖割有另外兩種類型的低級別在文獻（56,57）找到。</p><p>　　在高層次的框架分割，測地活動輪廓（58），傳統(tǒng)的活動輪廓的變形（蛇）（59），已經有效地實現在GPU上，以結構如（在二維圖像的前景和背景區(qū)域之間的差異60）為研究目標。在GPU的計算框架，其它方法用于實現主動輪廓與梯度矢量流（GVF）外力已被引入（61,62），但他們被限制于僅2D圖像分割。然

27、后，基于NVIDIA CUDA架構的并行分割的框架，提出了使用離散變形模型（19）體積圖像分割。還提出了幾種醫(yī)學圖像分割的方法，通過CUDA的（63）和CUDA的GPU（64）不同的方式實施，實現了高性能的增速比（65）。此外，醫(yī)學影像繼續(xù)增加的尺寸和體積。為了在臨床能應用高維圖像分割，至關重要的圖像分割方法可以，用在GPU / CUDA非常大的數據集。因此，在GPU /基于CUDA的高維分割，用低計算成本仍然是為未來的醫(yī)學成像樹立挑戰(zhàn)

28、。</p><p><b>　　互動種子區(qū)域生長</b></p><p>　　引晶的區(qū)域生長方法被引入，以實現進行最終分割結果（41）。然而，對于傳統(tǒng)的基于CPU的分割執(zhí)行的計算成本太高，在生物醫(yī)學應用中始終是負的情況下。GPU / CUDA可以用來加速和滿足，種子區(qū)域生長方法化潛在的臨床應用的要求里。</p><p>　　在互動種子區(qū)域生長的

29、分割過程中，種子點的選擇是一個至關重要的步驟。在實際應用中，快速體積分割框架，采用可編程圖形硬件，提出了一種基于該種子區(qū)域生長方法（54）。在此框架下，用戶被允許以交互方式作畫，種子在卷的剖面圖繪制。最近，Schenke提出的。已經實施了基于GPGPU的種子區(qū)域生長方法片段著色器和VTK（32）。在種子區(qū)域生長分割的框架，它是必不可少的繪制作為許多種子點，盡可能充分利用GPU / CUDA的并行性能。 2006年，提出了一種基于草圖的接

30、口，為種子區(qū)域生長量的分割提供了可能，用戶可以自由勾畫感興趣區(qū)域（ROI）。同時，區(qū)域生長方法被提出，用于快速三維器官分割，比的CPU（66）傳統(tǒng)的分割方法更快?？挤蚵蚉iche提出了種子細胞自動機（CA）。交互式種子區(qū)域生長可以高效和有效的用于2D / 3D醫(yī)學圖像分割，但不能在大量需要在有限的時間內在線臨床分析的圖像。</p><p><b>　　變分水平集分割</b></p&g

31、t;<p>　　變分水平集方法（LSA）已被廣泛應用于醫(yī)學圖像分割。簡單地說，主要思想是嵌入移動接口的初始位置，在任意時刻t，作為零水平集更高維函數的（X，）它，其中所述表面由所有點</p><p>　　在水平設置的框架內，可以通過引入一個適當的運動功能（X，）表面tυ執(zhí)行各種各樣的變形。對于分割，速度往往包括兩個方面的結合</p><p>　　其中D是一個數據術語，二維醫(yī)療

32、用圖像分割(n=2 in </p><p>　　這種方法代表了一個不斷發(fā)展的分割邊界，作為一個功能上的二維網格（67）的零水平集。對LSA廣泛的研究已經完成，以此來提高分割性能。這個LSA的全面審查和其相關的數字技術，被記錄在醫(yī)療成像文獻（29,30,33）。水平集方法處理好接口與尖角，以及3D并發(fā)癥（68）。 LSA的許多擴展，因為并行性和高速計算要求的高度，適合使用在實施GPU。早期的貢獻有Lefohn和惠特

33、克，他們展示了完整的3D級別設置求解器，使用圖形處理器用于MRI腦分割（69）。然后Lefohn等。設計了一個交互式的LSA，基于GPU計算時臨床應用的目標對象，用10×15×加速在非加速版本（48）。然而，這些方法都注意到的級別設置偏微分方程的稀疏性質二酯酶（PDE）的優(yōu)點，因此，計算性能用現有高度優(yōu)化的CPU實現（70）。在（71），一個有效的基于GPU的分割方法，通過包裝的級別設置，稀疏紋理格式得到高的分割性能

34、。依靠圖形硬件，這個級別設置分割方法可以運行在實時臨床。</p><p>　　在GPU上運行計算問題，即使透過水平集分割方法也總是不盡人意。在工作??效率的并行算法框架方面，羅伯茨等人，提出了一種新的基于GPU的水平集分割算法，這使得雙方的工作效率加強了。該算法減少處理級別設置字段的元素數，由16×和減到14×，比先前基于GPU的算法更快，而分割精度不降低（44）。這種分割方法是第一次基于GP

35、U的水平集分割算法，具有線性工作的復雜性和對數步的復雜性。同時，另一新穎CUDA加速水平集分割方法提出了顯著改善的性能的方法，例如，16×減少在計算域的大小，9×加速相比以前的GPU的方法，但在分割正確性上沒有減少精度（72）。擴展二維水平集分割算法的3D仍然是一個相對簡單的，但困難的任務。例如，計算水平集的更新需要有更多的衍生物。此外，該存儲和計算三維醫(yī)學圖像分割的復雜性，還必須理解的（73）</p>

36、<p><b>　　醫(yī)學圖像配準</b></p><p>　　圖像配準的定義和方法</p><p>　　如在醫(yī)學圖像處理的最重要的步驟之一，圖像配準的目的是獲得的來自多個源收集的信息綜合分析。在一般情況下，該醫(yī)療用圖像注冊應建立一個參考圖像，RI和目標圖像之間的對應措施，TI，使用參數變換，（）tT?，圖像幾何形狀中具有相似功能的線，（）ρ?的，指定的注冊

37、的性能,兩個圖像具有不同的尺寸，投影算子，RP和TP，可并入到項目更高維圖象域,變換到一個較低的三維圖像域,然后，將</p><p>　　式優(yōu)化。 [3]大多數值是來確定最佳的變換（）tT?。從初始猜測開始，（）tT收斂到最佳的一系列目標函數，圖像轉換和優(yōu)化技術（31,74）迭代步驟。如圖（75,76），所述圖像配準過程一般包括以下四個步驟：</p><p>　　特征檢測。在此步驟中，突出

38、的顯著特征/結構會被手動或自動地優(yōu)選萃取。該地區(qū)一樣，線，點的特點也是所考慮的重要對象。同時，該特征檢測過程不是在退化圖像的加法性，噪音丟失的數據敏感性。在此步驟中，相應的映射的算法還應該是有力和有效的。該特征是對應映射功能后建立的，根據使用構造映射函數疊加的兩個圖像的參照圖像作為變換的目標圖像。圖像需要重采樣和改造。在最后的步驟中，變換處理，可以實現向前或向后的方式。同時，應當提出適當的內插技術來計算，目標圖像的非整數坐標的強度值。&

39、lt;/p><p>　　每個登記步驟都有其典型問題。因此，用戶必須決定什么樣的功能是適合于給定的醫(yī)學圖像，以逐步提高配準精度。此外，用于圖像配準的電流的技術可以分為兩大類：即，基于特征和基于像素的兩種方法（77）。這些類別也稱為醫(yī)療成像幾何登記和標志性的登記。</p><p>　　如果同時引用和目標圖像明顯與眾不同，容易辨識物體/地區(qū)，是基于特征的登記方法選擇。然而，如果簡單的顯著特點是難于從

40、兩個圖像中提取，所述基于像素的方法可能更有效，更高效。在基于特征的方法中，參考和目標圖像是使用一組有限的特征提取的?；谔卣鞯姆椒ǖ幕驹硎?，以盡量減少對參考圖像的使用：穩(wěn)健M估計方法（78）的彎曲點，它們的對應點與目標圖像之間的總誤差。 Pilet等。提出了一種更先進的方法，其中登記可經受非常大的非仿射變形（79）。的基于特征的配準算法的主要優(yōu)點是，它可以處理大的變形，有效的計算復雜性方面的方法?；谙袼氐牡怯浭怯糜趫D像配準，這種方

41、法的主要優(yōu)點是，用于參數估計的數據比在基于特征的方法更密集。如在基于特征的方法，它是無法估計超參數的（77）。</p><p>　　相似性度量，幾何變換和優(yōu)化過程</p><p>　　圖像配準技術的目標是最大化相似性和最小化的兩個圖像之間的匹配誤差：基準圖像（也稱為靜態(tài)圖像）和對象圖像（運動圖像）。圖3示出醫(yī)學圖像配準可以由四個分量來表示的方法：相似性測量（測量器），幾何變換，優(yōu)化過程和插

42、補。如圖3所示，參數Ψ和ζ表示兩個顳圖像和預選的閾值之間的匹配程度。</p><p>　　基于GPU的相似性測量</p><p>　　相似性測量是測量圖像的相似性，這是需要的自動圖像配準的方法。這項措施可以評估如何讓圖像緊密對齊。理想的是，該相似性度量ρ達到其最大值，該圖像被完全對齊。該相似性度量可分為兩大類：（Ⅰ）基于特征，和（II）的基于強度的措施。像素強度基于相似性度量，利用該圖像數

43、據的一個大的部分，因此，通常達到高于基于特征的方法（80）更準確的配準結果。因此，我們主要調查在本文中，這些強度為基礎的相似性措施的平方差（I）之和（SSD）</p><p>　　在SSD已實施在GPU上，如在（81），這是最簡單的體素的相似性度量。在數學上，SSD定義如下：</p><p>　　其中，RTI是兩個圖像RI和TI和RI的重疊和Ti是兩個圖像RI和TI分別的強度。</p

44、><p>　　（II）的歸一化互相關（NCC）的</p><p>　　GRABNER等。調查NCC作為相似性度量，驗證的圖像中的（82）的強度之間的仿射關系的存在。 NCC由下式給出</p><p>　　（Ⅲ）的相關性比（CR）的</p><p>　　在CR概括的相關系數，它是一個對稱量度的線性依賴性兩個圖像（83）之間：</p>

45、<p>　?。ㄋ模┗バ畔ⅲ∕I）</p><p>　　MI已經利用成功用于大量的各種組合包括MR，CT，PET，和SPECT。定參考圖像RI和目標圖像TI，我們定義他們的聯(lián)合概率密度函數，特皮杰，通過簡單的2D-直方圖。讓（）RPI和（）TPJ表示相應的邊際概率密度函數（83,84）。 RI和TI之間的MI被定義如下：</p><p>　　MI可能是目前最流行的多峰測量，以及相應

46、的MI為基礎的圖像配準技術已受到很大關注，在文獻（85）。在（86），提出了一個近似直方圖計算方法，加快MI計算和注冊使用NVIDIA CUDA GPU，但是在精度降低的代價基礎上。然后同第一作者進一步提交的MI相似性度量，這可以實現高速性能（小于1秒），用于使用一種商品的GPU（87）的三維醫(yī)學圖像配準并行計算的有效方法。其他研究人員也已經意識到GPU計算的計算相似度的潛在能力，并提出很多有效的措施相似。 Ruiz等。登記顯微圖像非硬

47、性（88）建議對GPU的一個里程碑，基于相似性度量。在（89）中，新的相似性度量是通過組合數字重建射線照片（的DRR）和X射線圖像之間的8相似的措施，更精確和魯棒計算的相似性度量引入。以產生在低維空間中，Khamene等相似性度量。提出利用投影另一種新的方法和GPU（90）進行了比較研究，在不同的相似性措施。根據實證研究（81），梯度相關（GC），在GPU上執(zhí)行一個特定的相似性度量的另一實例中，可有助于提高登記性能的穩(wěn)健性。</p

48、><p>　　基于GPU的幾何變換</p><p>　　由于六度在幾何變換自由度，圖像配準方法可以分為三類：剛性，仿射，以及非剛性（參數或非參數）接近（80）。另一方面，在剛性和仿射幾何變換僅取決于幾個全局參數（例如圖像大小，位置和方向），因為它們不需要像素（1）的非線性位移。這兩種轉化方法適用于剛性的組織，如骨盆，股骨，并且其通過顱骨約束大腦運動。相比之下，非剛性配準是利用當身體部位進行非剛

49、性運動或變形期間的醫(yī)療圖像采集，這是適合于軟組織，例如乳腺和肝（91）。迄今為止，只有少數的非剛性的應用已經公布，相對于剛性2D / 3D配準出版物。</p><p>　　目前，基于GPU的剛性幾何變換方法已在（1,23）審查。盡我們所知，Strzodka等。首次提出在2003年（92）在DX9圖形硬件快速的2D變形圖像配準。在（92）的正規(guī)化梯度流量（RGF）的方法，梯度是由雅可比迭代過程中多重網格循環(huán)正規(guī)化。

50、此外，RGF準算法的擴展有效地在（93）中實現的二維和三維可變形圖像配準通過GPU加速。在圖像配準的常用方法是惡魔的算法，這是一種光流的變體（94）。在（95），Sharp等。實施使用布魯克編程環(huán)境的惡魔的算法。此外，加速了惡魔的算法得到了進一步的落實上利用GPU CUDA，和高品質和卓越的性能均達到（96）。同時，Rezk-薩拉馬等提出了一個適當的數學模型，并示出如何卷的變形可以通過數據并行處理使用圖形硬件（97）而加速。同時，幾何變

51、換方式花費其大部分的總計算時間進行插值。這些內插方法，例如線性，二次，三次，三次B樣條和高斯插值，已被普遍用于幾何變換（98）。</p><p>　　基于GPU的優(yōu)化過程</p><p>　　圖像配準的目的是發(fā)現，通過優(yōu)化相似性度量函數在方程拉一個圖像到最佳的空間對應與其他圖像的最優(yōu)幾何變換。 3.在圖像配準中，優(yōu)化過程可以被廣義地分類為基于梯度或梯度自由，全局或局部和串行或并行（23）。

52、基于梯度的方法需要的成本函數的偏導數的計算。因此，基于梯度的方法是不是從實現的角度來看梯度自由方法更多地參與。大量的算法已實施了醫(yī)學圖像配準（91,99,100），但只有小部分可以被直接利用GPU的并行計算平臺上，以滿足實際的臨床應用的要求。 2007年，維特爾等人。提出了一種基于梯度的配準方法，包括使用頂點紋理取2D直方圖的一個GPU的友好的計算，以及遞歸高斯濾波GPU上（101）的實現。同時，另一個快速GPU實現還提議在（102），

53、其采用的DX10兼容GPU的新的硬件功能和一系列優(yōu)化策略快速非剛性多模態(tài)體積登記。該相似性度量和幾何變換的計算是注冊的計算瓶頸。因此，研究人員應進一步支付開發(fā)更有效的并行技術為這些組件的更多關注。</p><p><b>　　醫(yī)學圖像可視化</b></p><p>　　在醫(yī)學圖像可視化的一般方法和挑戰(zhàn)</p><p>　　在一般情況下，圖像的可

54、視化已成為視覺分析，例如，在科學，工程和醫(yī)學學科一個越來越重要的工具。尤其是在醫(yī)療成像應用，可視化是醫(yī)療診斷和手術計劃開采列入2D / 3D圖像數據集的重要信息是必不可少的。為了進一步了解和洞察生成的圖像數據背后，可視化技術是一個正確的選擇，這可能探索和查看醫(yī)療數據集的視覺圖像的方便（103）。例如，所收集的醫(yī)療數據，這源于傳感器測量，例如CT和MRI的數值模擬，總是趨向于非常大。因此，醫(yī)療數據的可視化是不可或缺的理解和充分利用這一醫(yī)療

55、數據（104,105）。</p><p>　　根據不同的方法中，圖像的可視化的方法可以分為兩個不同的組（103）：表面繪制，和體繪制。表面呈現歷來通過從3D標量場提取相應的等值面的多邊形網格，通常通過使用移動立方體（MC）算法（106107）的一些變種來實現。在表面繪制的第一步是構造物體表面的數學模型。堆焊渲染技術被利用來重構連續(xù)的表面，然后以計算紋理坐標和范數向量的最后面。此外，在渲染圖像的像素值是正比于光的朝

56、向從所有可見表面區(qū)域（108）的觀察者反射的光量。然而，表面呈現有幾個缺點和問題。首先，它是難以實施的更復雜的照明模型，可以對形狀的更好的視覺感知（107）是有用的。其次，使用多邊形網格體積的分段線性逼近可以從卷中數據的實際等值面拓撲不同。這樣的不良行為是不可接受的一些科學應用（109110）。第三，雖然表面渲染對渲染時間一個令人滿意的性能，它可能只顯示醫(yī)療對象的表面特征</p><p>　　不像表面繪制方法，體

57、繪制（也稱為直接體繪制）是用于可視化三維離散采樣數據通過計算有色半透明體積的二維凸起設置的技術，其可以顯示三維標量場的全部信息（111）。在一般情況下，該體積通常被認為是氣態(tài)顆粒在體繪制的分布。為了進一步理解的體繪制，沿著觀看線傳遞的體積，然后到達觀察者是仿照圖4中的入射光的原理。</p><p>　　在數學上，光強度I的差分變化以位置S沿射線被定義由下列微分方程：</p><p>　　其

58、中，（） Sτ是消光系數，該衰減的光強度（）是在位置s。 （）QS是源項，讓光在位置S排出量。最終強度I開始的初始強度I 0，必須在差動式數值近似。[8]。</p><p>　　圖4原理容積再現：一個觀察光線追蹤的道路上的觀察者。而光線穿過體積，入射光強度I 0是由發(fā)射和吸收改變，從而導致在最終的強度I到達觀察者（112）</p><p>　　體繪制的方法可分為兩類：空間域和變換域的方法。

59、該空間域的方法可以進一步劃分為對象的順序和圖像順序的方法在表2中（103）。近年來，研究已經提出了一些混合方法（120121），但他們的fundaments仍然基于的兩個主要類別。由于圖像像素的預測是離散的，對象，訂單量渲染的方法很簡單，速度快，但往往免受不必要的渲染假象（122）受到影響。幸運的是，建議潑灑（或占用）方法可以克服這一缺點（113114）。由于在潑灑的方法的視圖依賴性重采樣，剪切經線體繪制方法，被認為是速度最快的類型的體

60、繪制，提出克服重采樣為任意的立體圖（115）的缺點。然而，這種方法尚未優(yōu)選在現代醫(yī)學和臨床應用中，由于其不理想的渲染質量和所需復雜的預處理（123）。相比之下，光線投射算法，一個圖像階體繪制方法，實現了更高的渲染性能比剪切變形體繪制方法（124）。然而，圖像訂單量渲染的方法，違背了GPU生成圖像的方式。其他對象階3D紋理基體繪制算法也被廣泛應用到遮光體繪制的，因為它們可以通過GPU加速（116）大大加速通過數據并行處理。</p&g

61、t;<p>　　通過使用傅立葉切片定理，體繪制，也可以在頻域中實現。后面的體積數據被轉換成頻率，逆快速傅立葉或快速哈特利變換被用于產生最終的圖像通過將所提取的切片回空間域（117118）。盡我們所知，變換域渲染方法包括：傅里葉體繪制（FVR）以及傅里葉小波體繪制（FWVR）。該FWVR充分利用了光線投射渲染和小波潑灑在小波空間（125,126）的優(yōu)勢。通過使用小波作為重建過濾波器，小波潑灑可以修改在實際應用中（119）的標

62、準方法潑灑。此外，FWVR和標準FVR具有相同的時間復雜度，即2（日志）ONN，而小波潑灑具有復雜3（）接通。盡管如此，FWVR經常遭受的切片需要重新采樣的傅立葉空間以全分辨率（127）處于劣勢。</p><p>　　對基于GPU的醫(yī)學圖像可視化方法的優(yōu)點</p><p>　　由于醫(yī)學成像的快速增加計算的復雜性，現在限制了先進的技術在醫(yī)療和臨床應用的發(fā)展。最初設計用于數據并行加速在計算機圖

63、形的過程中，在GPU將自身定位為用于運行并行計算來處理的醫(yī)療數據集（22），一個通用平臺。尤其是現在在醫(yī)學診斷，其高度依賴于，必須在實時可視化的體積的成像方法。所有上述體繪制方法可在GPU的被部分地或完全地實現為加速度。面繪制（SR）是顯示三維圖像，這可被分為兩大類的常用方法：直接面繪制（DSR）和間接面繪制（ISR）（128129）。 DSR可視為直接體繪制（DVR）的一種特殊情況，而ISR被認為是物體表面的建模。在最近的醫(yī)療應用中，

64、通過使用GPU加速和幾何著色器的優(yōu)點，在ISR渲染技術已經大大加快了（130）。對于DSR，表面呈現可以在沒有中間的幾何圖元的表示來實現</p><p>　　表面繪制往往實現對比度增強CT數據顯示骨骼和血管結構。但是，有時很難為研究者和醫(yī)生呈現（131）圖像的準確性和可靠性。另一方面，DVR的一個主要的技術是用于3D醫(yī)療數據顯示，實施對所述數據集的整個圖像顯示，而不對應于所述關注的特征明確地提取表面。光線投射可能

65、是DVR的最探索渲染方法，并且非常適合于基于GPU由于光線被獨立處理的并行執(zhí)行。原來光線投射方法可分為三部分：初始化和射線設置，射線遍歷，并寫入渲染結果（132）。同時，首次提出了克魯格和韋斯特曼（133）和Röttger等基于GPU的光線投射的方法。 （134）于2003年通過發(fā)布一些數據管理工作的CPU，加速體繪制，板坯的鑄造技術是基于經驗呈現的，獲得從比較片段著色器執(zhí)行原始光線投射到實現直接轉換到CUDA內核（132）。

66、</p><p>　　近來，實時4D心臟數據采集的技術已經成為在實際臨床環(huán)境應用，多維醫(yī)學成像模式成為現實。為了有效地處理4D體繪制大量的醫(yī)療容積數據的棘手的問題，應該加速四維醫(yī)學圖像可視化，開發(fā)操作框架心臟數據集的（136）顯示器，這是有效地利用現代的并行計算能力來實現建造GPU?？删幊坦芫€的圖形硬件和基于GPU的光線投射體繪制方法的新穎原理的進行了描述詳細（136）。這種基于GPU的光線投射體繪制方法，是直接

67、實現在圖形硬件可編程頂點和片段處理器上。為了進一步提高3D渲染性能，加速光線投射算法，被有效地實現了基于一種新穎的空間跳躍加速技術（137）。然而，呈現單一同質體積不足以用于在現代醫(yī)學的臨床。提高對多個數據集的體繪制的性能，應該使用多卷數據集的光線投射一個新的基于GPU渲染系統(tǒng)，提出在（138）。此提出了基于該代理的幾何光柵化CUDA來實現的，而不是傳統(tǒng)的圖形流水線的事實。與此同時，多幀速率體積渲染是因為需要為透明的物體的體積（139）

68、也特別具有挑戰(zhàn)性。</p><p>　　傳統(tǒng)的多幀速率系統(tǒng)重構整個圖像場景作為一個單一的表面，其中的運動視差知覺被摧毀。為了提高渲染質量，Hauswiesner等。提出了多幀速率體繪制系統(tǒng)，高品質的重建和快速透明的容積再現（140）卓越能力。其他體繪制技術，諸如像素射線圖像（141）和光場的表示（142），顯示出目標卷的更豐富的描述，但要求相當的分析預處理和分別因為它們的大尺寸不適合頻繁總線傳輸。隨著高性能計算的

69、快速發(fā)展不斷增加和近期可編程性圖形硬件，圖形硬件已經演變成一個引人注目的平臺，是廣泛的計算苛刻的任務，如醫(yī)學圖像處理（143），劑量計算和治療計劃優(yōu)化（144145），計算機視覺（146），等等。如今，GPU的是高性能的標準工具之一，并在整個行業(yè)和學術界被廣泛采用（22）。許多研究人員和開發(fā)人員成為有意利用GPU的電源通用計算。我們已經提出了基于GPU的醫(yī)學圖像計算技術的全面調查在這篇文章中。一所有這些醫(yī)療成像的廣泛分類建議三個主要的醫(yī)

70、療用圖像處理的基礎上成分：分割，登記和可視化。傳統(tǒng)的基于CPU的實現是過慢適合于實際的臨床應用。為了克服這一限制，目前的醫(yī)學圖像計算總是在現代GPU實現的。尤其是在醫(yī)學影像學的臨床實踐</p><p>　?。ㄒ唬┑牟糠秩莘e組織的統(tǒng)一框架分割。</p><p>　?。ǘ┽t(yī)療圖像配準的部分或丟失的數據。</p><p>　?。ㄈ┚C合體繪制框架。</p>

71、<p>　　圖像分割起著實際重要的作用，臨床應用，并作為各種初步階段。診斷技術中，相應的高分割腦部MRI圖像的性能是必不可少的，至關重要。提供正確診斷的參考信息，研究人員和醫(yī)生（147），研究大腦圖像。灰質（GM）白質（WM）和腦脊髓液（CSF）。每部分體積（PV）的圖像中的體素被建模為屬于這三類中的一個（148）。在自然界中，在大腦中的光伏體素包含兩種或更多種的混合物組織類型，因此難以準確地細分這些同時只使用一個3組織結構

72、特殊的方法。大多數現有的分割方法[互動種子區(qū)域生長，（測地線）活躍輪廓和電平組，等]不可能正確地提取的感興趣的對象/區(qū)域，其中僅含有均質體素。統(tǒng)計模式識別可能是高效且健壯的技術作為一個統(tǒng)一的框架PV組織分割，根據素強度在腦MRI的統(tǒng)計特征圖像。此外，馬爾可夫隨機場（MRF）（149），期望最大化（EM）算法（150），和隱藏馬爾科夫鏈（HMC）（151）已被用來改善圖像分割性能??。為了加快統(tǒng)計分割過程中使用GPU加速，我們應該進一步思

73、考這些方法并適應它們用于大規(guī)模并行處理環(huán)境中的實時實際的臨床應用。在醫(yī)療和臨床應用中，醫(yī)療圖像從相似或不同的方式經常需要與對齊參考圖像作為許多預</p><p>　　方法可以在（111156），其目的在于提供可以找到研究人員和開發(fā)人員的指導方針上方法最適合在這種情況下。例如，該潑濺和光線投射呈現最高質量的圖像上渲染速度，而剪切經線和3D為代價基于紋理的方法是能夠最大程度地交互式幀率的圖像質量（111）的成本。同時

74、，頻率域的方法進行快速的繪制，而是被限制在平行投影和X-射線型呈現（157）。為了提高渲染品質，加快渲染速度，有前途的綜合性框架可以通過構建組合空間域和變換域方法，或結合不同的空間域方法。因此，該全面的方法可能有出色的能力創(chuàng)造高品質的渲染，減少計算時間，這可能是在不同類型的渲染的利用3并且有效地并聯(lián)用于實時醫(yī)療應用上實現的GPU。</p><p><b>　　參考文獻：略</b></p