基于CUDA的肝臟CT圖像分割算法研究.pdf

1、目前在學術領域和工業(yè)領域，采用CUDA開發(fā)的應用程序已有數以百計的成功案例，它為人們利用GPU進行通用計算提供了良好的編譯及運行平臺。醫(yī)學圖像處理是最早利用圖形處理器(GPU)計算加快性能的應用之一?？焖傩羞M法、模糊連接方法和細化算法是醫(yī)學圖像分割中非常常見的分割方法，隨著醫(yī)學圖像數據量的增大，其運算時間也隨之增長，所以應用GPU的高并行特性來加速這些算法顯得很有必要。
　　論文的研究內容主要有以下3個方面:
　　快速行進法

2、是一種有效的肝臟輪廓分割算法，其時間復雜度為O(NlogN)。它使用堆數據結構來有效的調整計算順序從而提高計算效率。雖然這種數據結構在CPU串行平臺中已經非常高效，但這卻是阻礙其并行化處理的屏障。首先為了適應CUDA的SIMD架構的程序模型，將求解過程從點處理擴展到塊處理上進行;然后采用適用于并行求解的Rouy-Tourin算法來完成線程塊內的求解;最后，結合窄帶思想和迭代思想，實現在2D的肝臟CT圖像中3-5倍的分割加速效果。

3、　　已有的模糊連接并行算法CUDA-kFOE未考慮線程塊邊緣點同時更新所引發(fā)的競爭問題，導致計算結果出現少量誤差。由于醫(yī)學圖像處理對精度的要求很高，為了解決邊緣點計算誤差的問題，基于CUDA-kFOE提出一種修正迭代算法。首先分析了CUDA-kFOE算法在線程塊邊緣產生競爭的原因;然后討論了邊緣點親和力的所有可能的傳遞路徑，以及由此造成的出錯情況;最后采用二次迭代修正算法，將第一次迭代得到的所有邊緣點轉入第二次的修正迭代步驟，從而修正第

4、一次迭代中錯誤的親和力值，解決了CUDA-kFOE算法的計算誤差問題。
　　通過細化算法可以從3D圖像中提取目標體的骨架線，但一個重要的問題就是骨架線的計算是一件非常耗時的過程。首先分析了常見的細化算法分為基于決策樹和基于核濾波的方法，并得出基于核濾波的方法更適用于GPU運算;然后選用基于核濾波的方法中基于12-子迭代的3D圖像細化算法，分析該算法可并行部分，并對可并行部分進行GPU實現;最后在GPU實現并行化圖像細化處理。三組大