塔式多相水平集三维医学图像多目标分割算法

由于Chan-Vese（GV）模型采用的是单一水平集，所以只能通过水平集的符号表示目标和背景两个区域。当三维医学图像的目标区域含有复杂的子目标时，C-V模型将无法表示。为了解决GV模型在表示三维子目标上的局限，首先将二维GV模型拓展为三维模型；其次，依据同时明度对比提出了背景填充技术，理论上保证了轮廓曲面仅收敛于目标内部；再次，将该技术与三维C-V模型相结合提出了塔式多相水平集算法；最后，实验结果表明，本算法能够实现三维医学图像多目标分割（n-1次收敛可以实现”目标分割），并且能够检测由弱边缘构成的子目标。     

一种医学图像去噪程序的并行优化

目的：在采集、处理和传输过程中,医学图像会存在各种噪声,严重影响医学图像的质量和后续对图像的各种处理,因此医学图像去噪具有重要意义。同时医学图像数据量大,去噪处理算法复杂,在一般个人电脑上进行医学图像去噪仍是一个非常耗时的过程．很难满足实际应用中高实时性的要求．因此需要通过优化来提高去噪的处理速度。方法：本文利用CUDA（Compute Unified Device Architecture）并行编程对基于同质算法的三维医学图像去噪进行加速,CPU和GPU（Graphic ProcessorUnit）异构编程方式能发挥GPU高强度的计算能力,提高算法的执行速度。通过使用纹理存储器将图像数据与纹理绑定,优化存储器访问,提高数据访问速度。优化过程中,合理选择三维图像数据的分块方式和线程块维度。可以获得更快的加速。结果：与基于同质的matlab和CPU去噪程序相比,并行优化后GPU程序在保持去噪图像质量的前提卞可以达到几百倍的加速。结论：CUDA加速大大缩短了三维医学图像去噪的运行时间,解决了医学图像去噪的速度瓶颈问题．可以应用于对运行速度有要求的图像处理中。     

窄带Level Set与可视化技术在耳蜗分割中的应用

耳蜗的分割是对耳蜗进行模型化和分析研究的前提。采用三维窄带水平集(level set)算法与可视化技术相结合的交互式分割方法对耳蜗进行分割,三维窄带水平集算法用于体数据中感兴趣目标的分割,可视化技术对分割结果进行三维显示,显示结果作为用户调节算法参数的依据,经过多次的人机交互,从而获得满意的分割结果。我们详细地阐述了水平集及窄带水平集算法的基本原理、特点,并成功应用三维窄带水平集算法实现了颞骨螺旋CT(Computed tomography,CT)图像中耳蜗目标的分割。实验表明三维窄带水平集算法与可视化技术相结合的交互式分割方法可以很好地实现医学体数据中耳蜗的分割,与对体数据逐层分割的方法相比,速度有了很大提高。     

基于CUDA的2D、3D刚性配准方法

目的:实时医学图像配准技术是外科手术导航系统的关键技术之一。在医学图像分析中,图像配准通常是一个非常耗时的操作,不利于临床实时性需求,本文研究实现了图像配准过程的加速。方法:为了提高配准速度,本文提出了一种基于CUDA(compute unified device architecture)编程模型的硬件加速配准新技术,采用并行的方法实现像素的坐标变换,线性插值,同时计算对应像素的灰度值残差。结果:配准误差为亚像素级别,配准速度要比基于CPU的配准快几十甚至上百倍。结论:该方法在保持配准精度不变的前提下,大大提高了刚性配准的速度。     

一种基于快速混合型K均值的水平集图像分割方法

目的:为提高水平集图像分割方法的速度。方法:本文介绍一种基于快速混合型K均值的水平集方法用于图像分割。首先介绍基于Mumford-Shah模型的水平集方法;然后介绍传统标准K均值方法与水平集方法的联系,分析其缺陷;最后提出了一种快速混合型K均值的方法,在保持传统水平集算法鲁棒性的前提下,较好地提高了计算的速度。结果:该方法与标准水平集方法相比,运算所花费时间相对减少。结论:该方法利用K均值算法的简易和高效率,达到提高水平集方法分割速度的目的,具有一定的实用价值。     

基于计算统一设备架构的高斯径向基图像插值快速实现方法研究

在医学图像的处理及分析中,常常需要对图像进行插值运算。尽管高斯径向基(GRBF)插值有插值精度高的优点,但运算时间长的不足仍限制了它在图像插值中的应用。因此,本文提出采用基于计算统一设备架构(CUDA)的方法实现二维和三维医学图像的GRBF快速插值。根据CUDA单指令多线程(SIMT)的执行模型,采用合并访存、共享内存等各种合适的内存优化措施。并且在应用对数据空间进行二维分块,三维分体策略的过程中使用基于重叠区域的自然缝合算法来消除图像插值连接边界的失真现象。在保持较高图像插值精度的基础上,二维和三维医学图像GRBF插值各基本计算步骤都得到了极大的加速。实验结果表明:基于CUDA平台的GRBF插值执行效率与传统CPU运算相比明显提高,对其在图像插值中的应用具有相当的参考价值。     

基于射线距离误差的三维医学图像分割的新型评价方法

三维医学图像的分割是计算机辅助诊断与治疗中至关重要的技术。由于现有的三维医学图像分割算法种类繁多且性能各异,对各种分割算法性能公正直观的评价显得尤为重要。我们在对现有常用评价方法做出综合的比较后,提出了一种基于局域距离误差的综合、直观的三维图像分割的新型评价方法,并详细描述了该评价方法中局域误差和全局精确度的评价法。最后,利用这种新型的评价方法对三种常用的分割算法(Fast Marching,Morpholo-gical Reconstruction and Watershed)及一种笔者提出的新型Hybrid算法进行评价,此新型分割算法也在文中作了简要介绍。通过实验,可以验证新的评价方法能够更加科学、直观地对各种三维医学图像分割算法进行评价。     

三维医学图像核回归算法的GPU加速研究

【摘 要】 核回归理论被广泛应用于医学图像处理和医学图像重建领域,并取得了十分显著的效果。它包括传统核回归方法（CKR）和控制核回归方法（SKR）。三维SKR算法比三维CKR算法具有更优的去噪效果和边缘保持效果,但三维SKR算法的计算量过于庞大且复杂,使其应用领域受到限制。目前,医学图像重建使用的是基于GPU的三维CKR算法,所以基于GPU的三维SKR算法的实现是一项有研究价值且具有挑战性的工作。本文首先优化三维SKR算法的计算过程,然后利用GPU进行CUDA编程实现三维SKR并行加速算法。实验表明,基于GPU的三维SKR算法与基于CPU单线程三维SKR算法相比能获得约244.9~246.3倍的加速比,与基于CPU多线程三维SKR算法相比能获得约123.0~137.4倍的加速比。     

一种基于水平集的脊柱MRI图像分割算法的研究

水平集方法应用于图象分割的曲线或曲面进化问题,是一种稳定有效的数值计算方法.本文基于水平集方法提出了一种新的医学图像解剖轮廓分割算法,定义了一种用于终止进化的速度函数,构造了一种基于领域的进化方式.并对脊柱MRI图象进行了分割实验.得到了令人鼓舞的结果.表明了该种算法的可行性和有效性.     

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.     

基于CUDA的快速光线投射法

NVIDIA的GeForce8系列显卡上的统一设备架构(common unified device architecture,CUDA)不需要映射到图形API便可在GPU上进行计算的分配和管理,因此较适合于大数据量的医学图像可视化领域。本文分析了CUDA的设计思想和编程模式,针对其特点对传统基于硬件的光线投射法进行改进,将计算耗时的绘制部分改造成单指令多数据模式(single instruction multiple data,SIMD),并分别运用纹理存储器和共享存储器对算法进行优化。实验结果表明,该方法能够快速、高效地生成可视化图像。     

基于CUDA的医学影像数据处理工作站的配置方法

目的:以个人电脑为平台,结合CUDA(Compute Unified Device Architecture,统一计算设备架构)以显著提高个人电脑的计算能力,使其能够承担大运算量医学影像数据处理任务。方法:CUDA是NVIDIA公司推出的一款运算模型,把GPU多线程并行性能引入除图像显示之外的领域,可以大幅提升个人电脑的运算能力。在装有Windows XP的电脑上安装支持CUDA的NVIDIA显卡,然后依次下载安装CUDA Driver,toolkit,SDK,Visual Studio及CUDA VS wizardx32软件。让CPU和GPU协同工作,把程序中可以并行处理的部分并行化,使原来在CPU上只能顺序处理的大量循环计算,可以在GPU上以大量线程并行处理的方式一次计算完成。结果:在配备支持CUDA的NVIDIA显卡的个人电脑上可以安装CUDA,但配置比较复杂,安装完成通过测试后可以利用显卡中大量的流处理器进行并行计算。结论:个人电脑安装CUDA后可以利用GPU中大量的流处理器进行并行计算,将个人电脑转变为一台高性价比的医学影像数据并行处理工作站。     

医学图像后处理研究进展

概要分析和评述了近年来医学图像后处理技术的发展,并主要从图像分割、配准、重建、PACS系统等方面进行了分类综述。     

M3D:面向3D打印的医学图像重建平台

本研究旨在构建面向3D打印的医学图像3D重建平台,实现医学影像数据的目标分割、3D重建与3D打印所需区域裁剪与输出功能。该软件平台采用Qt设计用户界面,调用ITK、VTK类库处理医学影像数据。软件平台实现了医学影像数据的输入输出及处理、分割与3D重建等功能;在3D打印模型输出前,可实现对感兴趣区域的截取。以肘关节为例,利用该平台可实现模型重建,截取区域输出STL文件并完成3D打印。结果表明,该软件平台操作简单、界面简洁,可以从医学影像数据中重建得到3D模型,并进行3D打印,具有重要的临床应用价值。     

3D Medical Image Segmentation Based on Rough Set Theory

This paper presents a method which uses multiple types of expert knowledge together in 3D medical image segmentation based on rough set theory. The focus of this paper is how to approximate a ROI（region of interest） when there are multiple types of expert knowledge. Based on rough set theory, the image can be split into three regions： positive regions; negative regions; boundary regions. With multiple knowledge we refine ROI as an intersection of all of the expected shapes with single knowledge. At last we show the results of implementing a rough 3D image segmentation and visualization system.     

基于单幅X线图像和CT数据的2D/3D配准系统

目的建立基于统一计算架构(CUDA)下以单幅X线图像及CT扫描数据为数据源的2D/3D配准系统,并应用于膝关节在体运动及植入假体稳定性研究。方法首先应用张正友标定法对采集X线图像设备进行标定;其次基于CUDA构架利用光线跟踪算法生成数字影像重建图像,以相关性函数为相似性测度计算2D/3D配准参数;最后以三维激光扫描仪所获得的点云数据进行3D/3D配准,以验证2D/3D配准结果。结果以标本整体位置变换进行配准实验,6自由度平均误差中,位移小于1mm,旋转小于1°。结论此2D/3D配准系统达到了运动检测精度的要求,可以作为研究膝关节运动情况和假体在体稳定性研究的计算平台。     

Fast segmentation of bone in CT images using 3D adaptive thresholding

Fast bone segmentation is often important in computer-aided medical systems. Thresholding-based techniques have been widely used to identify the object of interest (bone) against dark backgrounds. However, the darker areas that are often present in bone tissue may adversely affect the results obtained using existing thresholding-based segmentation methods. We propose an automatic, fast, robust and accurate method for the segmentation of bone using 3D adaptive thresholding. An initial segmentation is first performed to partition the image into bone and non-bone classes, followed by an iterative process of 3D correlation to update voxel classification. This iterative process significantly improves the thresholding performance. A post-processing step of 3D region growing is used to extract the required bone region. The proposed algorithm can achieve sub-voxel accuracy very rapidly. In our experiments, the segmentation of a CT image set required on average less than 10 s per slice. This execution time can be further reduced by optimizing the iterative convergence process.     

遗传算法在医学图像分割中的应用

图像分割 (lm age Segm entation)是图像处理中的主要问题 ,同时又是一个学术难题 ,长期以来人们在努力寻找进行图像分割的算法 ,到目前为止还没有一个普遍认可的算法。 1973年 ,美国教授 J.Holland提出了遗传算法 (Genetic Algo-rithm,GA) ,在很多领域获得进展 ,并在 90年代被学者引入图像分割领域。本文简要介绍了图像分割及遗传算法的基本原理 ,着重探讨了近年来遗传算法在图像分割一个重要的应用领域——医学图像分割领域中的应用。