2012年--外文翻譯--基于gpu的醫(yī)學(xué)圖像計(jì)算技術(shù)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(xué)圖像計(jì)算技術(shù)綜述</p><p>　　A survey of GPU-based medical image computing techniques</p><p>　　學(xué) 部（院）： 電子信息與電氣工程 </p><p>　　專 業(yè)： 生物醫(yī)學(xué)工程

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

4、<p>　　中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院，中國(guó)廣東省深圳市；</p><p>　　對(duì)應(yīng)：DefengWang博士。影像與介入放射學(xué)，中國(guó)香港大學(xué)，威爾斯親王醫(yī)院，Shatin，新界，中國(guó)香港。電子郵件：dfwang@cuhk.edu.hk。</p><p>　　摘要：醫(yī)學(xué)影像目前被用于整個(gè)醫(yī)療科學(xué)研究、診斷和治療計(jì)劃之中，對(duì)整個(gè)臨床應(yīng)用有至關(guān)重要的作用。然而，醫(yī)學(xué)成像過(guò)程通常

5、在計(jì)算上要求很高，大的三維（3D）醫(yī)療數(shù)據(jù)，是在實(shí)際臨床應(yīng)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(jià)格性能比。圖形處理單元（GPU）已成為一個(gè)有競(jìng)爭(zhēng)力的并行計(jì)算平臺(tái)，它能處理復(fù)雜的任務(wù)，在醫(yī)學(xué)圖像廣泛應(yīng)用。本次調(diào)查的主要目的是，給參與基于GPU的醫(yī)學(xué)圖像處理的初學(xué)者或研究人員提供一個(gè)全面的參考源。在本次調(diào)查中，GPU計(jì)算不斷進(jìn)步，用于醫(yī)學(xué)圖像處理，即分割，登記和可視化的三個(gè)領(lǐng)域，以及現(xiàn)有的傳統(tǒng)的應(yīng)用程序

6、，并且對(duì)潛在的優(yōu)勢(shì)和目前GPU再醫(yī)學(xué)成像相關(guān)的挑戰(zhàn)進(jìn)行了討論，激發(fā)中醫(yī)藥未來(lái)的應(yīng)用。</p><p>　　關(guān)鍵詞：圖形處理單元（GPU）;圖像分割;圖像配準(zhǔn);圖像可視化;高性能計(jì)算</p><p><b>　　介紹</b></p><p>　　并行處理，是醫(yī)療應(yīng)用中的未來(lái)。在過(guò)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(tái)數(shù)據(jù)并行計(jì)算工

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

8、于許多計(jì)算上繁重的任務(wù)。它比常規(guī)基于CPU的計(jì)算框架速度更為優(yōu)秀。近日，GPU已經(jīng)成為了高性能計(jì)算領(lǐng)域具有競(jìng)爭(zhēng)力的平臺(tái)，因?yàn)槠渚薮蟮奶幚砟芰ΑＨ欢?，它不能接受通用或非圖形計(jì)算。其結(jié)果是，由映射通用應(yīng)用到圖形硬件實(shí)現(xiàn)通用計(jì)算許多努力被稱為通用計(jì)算上的圖形處理單元（GPGPU），其被引入用于基于現(xiàn)有GPU硬件的非圖形算法。 GPGPU的計(jì)算是通過(guò)使用專門的圖形處理，而不是矢量和矩陣運(yùn)算符（3）進(jìn)行的。然而，只有專業(yè)的研究人員和開(kāi)發(fā)人員熟悉的

9、圖形API能流利地使用傳統(tǒng)的GPU / GPGPU開(kāi)發(fā)平臺(tái)，它給不熟悉它的實(shí)際應(yīng)用優(yōu)勢(shì)的客戶帶去了不便（4）。幸運(yùn)的是，統(tǒng)一計(jì)算設(shè)備架構(gòu)（CUDA）技術(shù)的出現(xiàn)可以克服這些缺點(diǎn)，在當(dāng)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(kāi)發(fā)平臺(tái)，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(duì)于通用的并行編程對(duì)NVIDIA GPU的方便，CUDA帶來(lái)的類似C開(kāi)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(xué)和外科手術(shù)，第2卷，沒(méi)有2012年9月3日的定量成像</p><p>　　Shi等?；贕PU的醫(yī)學(xué)圖像計(jì)算調(diào)查</p><p>　　圖1的CUDA編程模型的概念框架。每個(gè)內(nèi)核被分配到由多個(gè)塊的網(wǎng)格，并且每個(gè)塊包含螺紋（6）</p><p>　　一般來(lái)說(shuō)，每個(gè)CUDA功能的

11、GPU是由多流多處理器集合的，是一個(gè)全球性的存儲(chǔ)器。如圖1中，內(nèi)核是CUDA的基本構(gòu)造塊，這將從主機(jī)（CPU）啟動(dòng)，并在圖形裝置（GPU）上執(zhí)行。在圖形裝置的一部分，每個(gè)線程塊是一個(gè)單流多處理器，是由一組芯執(zhí)行。同時(shí)，該線程被組織到線程塊塊（7）的網(wǎng)格內(nèi)。也存在一些其它方法對(duì)GPGPU進(jìn)行計(jì)算，如Khronos 組織的OpenCL和微軟的DirectCompute，它們?nèi)坑刹⑿杏?jì)算的類似概念推導(dǎo)（7）。 CUDA已被廣泛研究，并廣泛應(yīng)

12、用于各種應(yīng)用領(lǐng)域，包括醫(yī)學(xué)物理，計(jì)算機(jī)視覺(jué)，計(jì)算機(jī)圖形學(xué)，等等。由于處理大型數(shù)據(jù)集的便捷，OpenCL和DirectCompute也將對(duì)CUDA更加成熟，在未來(lái)幾年。同時(shí)，相比以前的GPU（GPGPU），CUDA具有以下優(yōu)點(diǎn)（4,8,9）：</p><p><b>　　?</b></p><p>　　1.通用的編程環(huán)境。 CUDA簡(jiǎn)單的理解為，它帶來(lái)了類似C開(kāi)發(fā)環(huán)境，

13、為程序員提供不熟悉GPU。這是種類似C語(yǔ)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(qiáng)大的并行計(jì)算能力。 CUDA是一個(gè)高性能并行計(jì)算平臺(tái)，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(tái)。它是一種多用途的開(kāi)發(fā)平臺(tái)，有CUDA證據(jù)的參考，如科學(xué)圖書(shū)館，開(kāi)源編譯器，調(diào)試器和分析器。</p><p><b>　　?</b></p><p>　　4.更短的等待時(shí)間。主機(jī)（CPU）和圖形設(shè)備（GPU）之間的數(shù)據(jù)傳輸速率和等待時(shí)間已明顯改善。</p><p>　　雖然CUDA開(kāi)發(fā)優(yōu)勢(shì)顯著，但是在過(guò)去的幾年里，CU

15、DA代碼手冊(cè)發(fā)展，仍然是很費(fèi)力又費(fèi)時(shí)的通用多核系統(tǒng)。因此，如何把喜愛(ài)的編程語(yǔ)言轉(zhuǎn)換成有效的并行CUDA程序，對(duì)此有相當(dāng)?shù)闹匾砸饬x，尤其是對(duì)普通用戶的CUDA。 A C到CUDA轉(zhuǎn)化體系，提出生成兩個(gè)級(jí)并行CUDA代碼，是在高效的數(shù)據(jù)訪問(wèn)（10）進(jìn)行了優(yōu)化。圖2實(shí)現(xiàn)的系統(tǒng)步驟順序。</p><p>　　在圖2中，CLooG是國(guó)家的最先進(jìn)的代碼生成器，生成無(wú)CUDA代碼開(kāi)發(fā)的手冊(cè)（10）轉(zhuǎn)化代碼。這項(xiàng)轉(zhuǎn)換框架可以產(chǎn)

16、生，處理任意輸入C編程代碼相應(yīng)的、有效的CUDA代碼?；诟咝阅苡?jì)算的競(jìng)爭(zhēng)能力，GPU計(jì)算已發(fā)展為一種有效的研究平臺(tái)，應(yīng)用在醫(yī)學(xué)圖像處理和分析，如醫(yī)學(xué)圖像重建（11,12），實(shí)時(shí)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(jì)算能力-core結(jié)構(gòu)。 GPU計(jì)算在醫(yī)學(xué)物理學(xué)最近一個(gè)詳細(xì)的調(diào)查能（22），其中Pratx是在接受調(diào)查的醫(yī)療物理學(xué)，發(fā)現(xiàn)了優(yōu)化

17、三個(gè)方面現(xiàn)有的應(yīng)用程序，即圖像重建以及圖像處理，劑量計(jì)算和治療計(jì)劃醫(yī)學(xué)圖像配準(zhǔn)，兩個(gè)或兩個(gè)以上的圖像轉(zhuǎn)變成一個(gè)共同的參照框架，除了保留傳統(tǒng)的GPU的優(yōu)點(diǎn)，例如巨大的存儲(chǔ)器功率的高性能計(jì)算，新開(kāi)發(fā)的GPU計(jì)算平臺(tái)，帶來(lái)的可編程性和一般性的（24）。為了提供參考源，研究人員計(jì)劃開(kāi)發(fā)修改GPGPU技術(shù)的程序，是歐文等人的研究領(lǐng)域。通用計(jì)算上的圖形硬件和各種通用計(jì)算應(yīng)用（25）進(jìn)行了調(diào)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(xué)圖像分割</b></p><p>　　圖像分割的定義和方法</p><p>　　如今，醫(yī)學(xué)圖像分割在醫(yī)學(xué)圖像分析中起著的重要作用，例如，計(jì)算機(jī)輔助診斷（CAD），手術(shù)計(jì)劃和導(dǎo)航（19）。其目的是把目標(biāo)圖像劃分成連接的區(qū)域，這是有意義的數(shù)學(xué)分析和醫(yī)學(xué)圖像的量化。由經(jīng)典定義，圖像分割表示分割一個(gè)目標(biāo)圖像劃分

19、成其非重疊結(jié)構(gòu)區(qū)根據(jù)某些準(zhǔn)則，如彩色信息，灰度強(qiáng)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(biāo)簽被映射{}：1,2，...，SNΩ??，則分割問(wèn)題可表示作為確定子標(biāo)簽kS?Ω其聯(lián)合是整個(gè)圖像域Ω，而子標(biāo)簽KS必須滿足</p><p>　　在醫(yī)學(xué)成像過(guò)程中，一個(gè)分段方法應(yīng)該找到，那些對(duì)應(yīng)于不同的解剖結(jié)構(gòu)，或感興趣的區(qū)域的圖像（30）中的標(biāo)簽。其結(jié)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(kāi)放的困難任務(wù)，由于對(duì)象形狀的巨大可變性和圖像質(zhì)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(chǔ)，（Ⅲ）基于區(qū)域的，和（IV）混合為基礎(chǔ)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(jié)構(gòu)的，進(jìn)一步醫(yī)療分析是必要和重要的，幾乎任何計(jì)算機(jī)輔助診斷系統(tǒng)都被應(yīng)用。 2006年8月，Boukerroui介紹了超聲圖像分

21、割的調(diào)查在臨床應(yīng)用中的作用，相應(yīng)的分割技術(shù)進(jìn)行了進(jìn)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(jué)表征和圖像特征，這有助于從圖像背景提取組織/結(jié)構(gòu)。由于傳感器噪聲或低信噪比的情況下，分割技術(shù)往往不能達(dá)到目標(biāo)。因此，為了提高分割性能，圖像功能已經(jīng)廣泛地在醫(yī)學(xué)圖像分割（34）成功地利用。同時(shí)，統(tǒng)計(jì)形狀模型的主動(dòng)形狀??模??型（ASM），提出了有效地改善分割的質(zhì)量的結(jié)果（35）?；谛〔ㄗ儞Q，Dava

22、tzikos等。進(jìn)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(jù)目標(biāo)圖像的強(qiáng)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(gè)強(qiáng)大而靈活的數(shù)字技術(shù)的圖像分割（38）。目前，這種電平設(shè)定方法及其擴(kuò)展已被廣泛用于去噪，登記，圖像修復(fù)等，更多的圖像處理應(yīng)用。</p><p>　　上述的自動(dòng)分割技術(shù)通常以實(shí)現(xiàn)所需的臨床和實(shí)際應(yīng)用（39）強(qiáng)大的分

23、割結(jié)果。其結(jié)果是，許多自動(dòng)交互式機(jī)制最近已成為最佳的選擇，在現(xiàn)實(shí)生活中的醫(yī)療應(yīng)用，例如交互式輪廓圈定（40）和種子區(qū)域生長(zhǎng)（41,42）。理想的是，所述交互過(guò)程可發(fā)生在以允許用戶接收，關(guān)于他們的行為的即時(shí)反饋和改善的組織/結(jié)構(gòu)分割的準(zhǔn)確性。醫(yī)學(xué)圖像的分割仍然是一個(gè)挑戰(zhàn)性的問(wèn)題。</p><p>　　在基于GPU的細(xì)分相關(guān)工作</p><p>　　雖然上述分割的研究已經(jīng)變得越來(lái)越活躍，近幾十

24、年來(lái)，因?yàn)樗鼈兊膬r(jià)格昂貴，不適合實(shí)時(shí)診所應(yīng)用。幸運(yùn)的是，分割的方法可以以實(shí)時(shí)來(lái)實(shí)現(xiàn)，通過(guò)這些方法給GPU結(jié)構(gòu)（19）的移植去適應(yīng)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(diǎn)</p><p>　　Shi等。基于GPU的醫(yī)學(xué)圖像計(jì)算調(diào)查</p><p>　　基于GPU的醫(yī)學(xué)圖像分割技術(shù)的首次實(shí)施是通過(guò)制定水平集分割的、圖像融合（50）的、圖形運(yùn)算符的、序列來(lái)實(shí)現(xiàn)的。可編程著色

25、器帶來(lái)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(shí)現(xiàn)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(jí)別和高級(jí)別的方法。區(qū)別低層次的方法，需要關(guān)于圖像中的對(duì)象的類型，沒(méi)有統(tǒng)計(jì)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(duì)象/區(qū)域。分水嶺（53）和區(qū)域生長(zhǎng)方法（54）的基于GPU的實(shí)現(xiàn)是典型的低級(jí)別的方法。一個(gè)更復(fù)雜和強(qiáng)大的統(tǒng)計(jì)分割，是基于自適應(yīng)區(qū)域生長(zhǎng)過(guò)程（55）G

26、PU平臺(tái)來(lái)實(shí)現(xiàn)。此外，馬爾可夫隨機(jī)場(chǎng)（MRF）和圖割有另外兩種類型的低級(jí)別在文獻(xiàn)（56,57）找到。</p><p>　　在高層次的框架分割，測(cè)地活動(dòng)輪廓（58），傳統(tǒng)的活動(dòng)輪廓的變形（蛇）（59），已經(jīng)有效地實(shí)現(xiàn)在GPU上，以結(jié)構(gòu)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(biāo)。在GPU的計(jì)算框架，其它方法用于實(shí)現(xiàn)主動(dòng)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(gòu)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(xué)圖像分割的方法，通過(guò)CUDA的（63）和CUDA的GPU（64）不同的方式實(shí)施，實(shí)現(xiàn)了高性能的增速比（65）。此外，醫(yī)學(xué)影像繼續(xù)增加的尺寸和體積。為了在臨床能應(yīng)用高維圖像分割，至關(guān)重要的圖像分割方法可以，用在GPU / CUDA非常大的數(shù)據(jù)集。因此，在GPU /基于CUDA的高維分割，用低計(jì)算成本仍然是為未來(lái)的醫(yī)學(xué)成像樹(shù)立挑戰(zhàn)

28、。</p><p><b>　　互動(dòng)種子區(qū)域生長(zhǎng)</b></p><p>　　引晶的區(qū)域生長(zhǎng)方法被引入，以實(shí)現(xiàn)進(jìn)行最終分割結(jié)果（41）。然而，對(duì)于傳統(tǒng)的基于CPU的分割執(zhí)行的計(jì)算成本太高，在生物醫(yī)學(xué)應(yīng)用中始終是負(fù)的情況下。GPU / CUDA可以用來(lái)加速和滿足，種子區(qū)域生長(zhǎng)方法化潛在的臨床應(yīng)用的要求里。</p><p>　　在互動(dòng)種子區(qū)域生長(zhǎng)的

29、分割過(guò)程中，種子點(diǎn)的選擇是一個(gè)至關(guān)重要的步驟。在實(shí)際應(yīng)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(zhǎng)方法（54）。在此框架下，用戶被允許以交互方式作畫(huà)，種子在卷的剖面圖繪制。最近，Schenke提出的。已經(jīng)實(shí)施了基于GPGPU的種子區(qū)域生長(zhǎng)方法片段著色器和VTK（32）。在種子區(qū)域生長(zhǎng)分割的框架，它是必不可少的繪制作為許多種子點(diǎn)，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(zhǎng)量的分割提供了可能，用戶可以自由勾畫(huà)感興趣區(qū)域（ROI）。同時(shí)，區(qū)域生長(zhǎng)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。考夫曼和Piche提出了種子細(xì)胞自動(dòng)機(jī)（CA）。交互式種子區(qū)域生長(zhǎng)可以高效和有效的用于2D / 3D醫(yī)學(xué)圖像分割，但不能在大量需要在有限的時(shí)間內(nèi)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(yīng)用于醫(yī)學(xué)圖像分割。簡(jiǎn)單地說(shuō)，主要思想是嵌入移動(dòng)接口的初始位置，在任意時(shí)刻t，作為零水平集更高維函數(shù)的（X，）它，其中所述表面由所有點(diǎn)</p><p>　　在水平設(shè)置的框架內(nèi)，可以通過(guò)引入一個(gè)適當(dāng)?shù)倪\(yùn)動(dòng)功能（X，）表面tυ執(zhí)行各種各樣的變形。對(duì)于分割，速度往往包括兩個(gè)方面的結(jié)合</p><p>　　其中D是一個(gè)數(shù)據(jù)術(shù)語(yǔ)，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(gè)不斷發(fā)展的分割邊界，作為一個(gè)功能上的二維網(wǎng)格（67）的零水平集。對(duì)LSA廣泛的研究已經(jīng)完成，以此來(lái)提高分割性能。這個(gè)LSA的全面審查和其相關(guān)的數(shù)字技術(shù)，被記錄在醫(yī)療成像文獻(xiàn)（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(kuò)展，因?yàn)椴⑿行院透咚儆?jì)算要求的高度，適合使用在實(shí)施GPU。早期的貢獻(xiàn)有Lefohn和惠特

33、克，他們展示了完整的3D級(jí)別設(shè)置求解器，使用圖形處理器用于MRI腦分割（69）。然后Lefohn等。設(shè)計(jì)了一個(gè)交互式的LSA，基于GPU計(jì)算時(shí)臨床應(yīng)用的目標(biāo)對(duì)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(jí)別設(shè)置偏微分方程的稀疏性質(zhì)二酯酶（PDE）的優(yōu)點(diǎn)，因此，計(jì)算性能用現(xiàn)有高度優(yōu)化的CPU實(shí)現(xiàn)（70）。在（71），一個(gè)有效的基于GPU的分割方法，通過(guò)包裝的級(jí)別設(shè)置，稀疏紋理格式得到高的分割性能

34、。依靠圖形硬件，這個(gè)級(jí)別設(shè)置分割方法可以運(yùn)行在實(shí)時(shí)臨床。</p><p>　　在GPU上運(yùn)行計(jì)算問(wèn)題，即使透過(guò)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(qiáng)了。該算法減少處理級(jí)別設(shè)置字段的元素?cái)?shù)，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(fù)雜性和對(duì)數(shù)步的復(fù)雜性。同時(shí)，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(jì)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(méi)有減少精度（72）。擴(kuò)展二維水平集分割算法的3D仍然是一個(gè)相對(duì)簡(jiǎn)單的，但困難的任務(wù)。例如，計(jì)算水平集的更新需要有更多的衍生物。此外，該存儲(chǔ)和計(jì)算三維醫(yī)學(xué)圖像分割的復(fù)雜性，還必須理解的（73）</p>

36、<p><b>　　醫(yī)學(xué)圖像配準(zhǔn)</b></p><p>　　圖像配準(zhǔn)的定義和方法</p><p>　　如在醫(yī)學(xué)圖像處理的最重要的步驟之一，圖像配準(zhǔn)的目的是獲得的來(lái)自多個(gè)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(cè)應(yīng)建立一個(gè)參考圖像，RI和目標(biāo)圖像之間的對(duì)應(yīng)措施，TI，使用參數(shù)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(cè)

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

38、的顯著特征/結(jié)構(gòu)會(huì)被手動(dòng)或自動(dòng)地優(yōu)選萃取。該地區(qū)一樣，線，點(diǎn)的特點(diǎn)也是所考慮的重要對(duì)象。同時(shí)，該特征檢測(cè)過(guò)程不是在退化圖像的加法性，噪音丟失的數(shù)據(jù)敏感性。在此步驟中，相應(yīng)的映射的算法還應(yīng)該是有力和有效的。該特征是對(duì)應(yīng)映射功能后建立的，根據(jù)使用構(gòu)造映射函數(shù)疊加的兩個(gè)圖像的參照?qǐng)D像作為變換的目標(biāo)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(shí)現(xiàn)向前或向后的方式。同時(shí)，應(yīng)當(dāng)提出適當(dāng)?shù)膬?nèi)插技術(shù)來(lái)計(jì)算，目標(biāo)圖像的非整數(shù)坐標(biāo)的強(qiáng)度值。&

39、lt;/p><p>　　每個(gè)登記步驟都有其典型問(wèn)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(xué)圖像，以逐步提高配準(zhǔn)精度。此外，用于圖像配準(zhǔn)的電流的技術(shù)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(biāo)志性的登記。</p><p>　　如果同時(shí)引用和目標(biāo)圖像明顯與眾不同，容易辨識(shí)物體/地區(qū)，是基于特征的登記方法選擇。然而，如果簡(jiǎn)單的顯著特點(diǎn)是難于從

40、兩個(gè)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(biāo)圖像是使用一組有限的特征提取的?；谔卣鞯姆椒ǖ幕驹硎牵员M量減少對(duì)參考圖像的使用：穩(wěn)健M估計(jì)方法（78）的彎曲點(diǎn)，它們的對(duì)應(yīng)點(diǎn)與目標(biāo)圖像之間的總誤差。 Pilet等。提出了一種更先進(jìn)的方法，其中登記可經(jīng)受非常大的非仿射變形（79）。的基于特征的配準(zhǔn)算法的主要優(yōu)點(diǎn)是，它可以處理大的變形，有效的計(jì)算復(fù)雜性方面的方法。基于像素的登記是用于圖像配準(zhǔn)，這種方

41、法的主要優(yōu)點(diǎn)是，用于參數(shù)估計(jì)的數(shù)據(jù)比在基于特征的方法更密集。如在基于特征的方法，它是無(wú)法估計(jì)超參數(shù)的（77）。</p><p>　　相似性度量，幾何變換和優(yōu)化過(guò)程</p><p>　　圖像配準(zhǔn)技術(shù)的目標(biāo)是最大化相似性和最小化的兩個(gè)圖像之間的匹配誤差：基準(zhǔn)圖像（也稱為靜態(tài)圖像）和對(duì)象圖像（運(yùn)動(dòng)圖像）。圖3示出醫(yī)學(xué)圖像配準(zhǔn)可以由四個(gè)分量來(lái)表示的方法：相似性測(cè)量（測(cè)量器），幾何變換，優(yōu)化過(guò)程和插

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

43、據(jù)的一個(gè)大的部分，因此，通常達(dá)到高于基于特征的方法（80）更準(zhǔn)確的配準(zhǔn)結(jié)果。因此，我們主要調(diào)查在本文中，這些強(qiáng)度為基礎(chǔ)的相似性措施的平方差（I）之和（SSD）</p><p>　　在SSD已實(shí)施在GPU上，如在（81），這是最簡(jiǎn)單的體素的相似性度量。在數(shù)學(xué)上，SSD定義如下：</p><p>　　其中，RTI是兩個(gè)圖像RI和TI和RI的重疊和Ti是兩個(gè)圖像RI和TI分別的強(qiáng)度。</p

44、><p>　　（II）的歸一化互相關(guān)（NCC）的</p><p>　　GRABNER等。調(diào)查NCC作為相似性度量，驗(yàn)證的圖像中的（82）的強(qiáng)度之間的仿射關(guān)系的存在。 NCC由下式給出</p><p>　　（Ⅲ）的相關(guān)性比（CR）的</p><p>　　在CR概括的相關(guān)系數(shù)，它是一個(gè)對(duì)稱量度的線性依賴性兩個(gè)圖像（83）之間：</p>

45、<p>　　（四）互信息（MI）</p><p>　　MI已經(jīng)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(biāo)圖像TI，我們定義他們的聯(lián)合概率密度函數(shù)，特皮杰，通過(guò)簡(jiǎn)單的2D-直方圖。讓（）RPI和（）TPJ表示相應(yīng)的邊際概率密度函數(shù)（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(cè)量，以及相應(yīng)

46、的MI為基礎(chǔ)的圖像配準(zhǔn)技術(shù)已受到很大關(guān)注，在文獻(xiàn)（85）。在（86），提出了一個(gè)近似直方圖計(jì)算方法，加快MI計(jì)算和注冊(cè)使用NVIDIA CUDA GPU，但是在精度降低的代價(jià)基礎(chǔ)上。然后同第一作者進(jìn)一步提交的MI相似性度量，這可以實(shí)現(xiàn)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(xué)圖像配準(zhǔn)并行計(jì)算的有效方法。其他研究人員也已經(jīng)意識(shí)到GPU計(jì)算的計(jì)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(duì)GPU的一個(gè)里程碑，基于相似性度量。在（89）中，新的相似性度量是通過(guò)組合數(shù)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(jì)算的相似性度量引入。以產(chǎn)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(jìn)行了比較研究，在不同的相似性措施。根據(jù)實(shí)證研究（81），梯度相關(guān)（GC），在GPU上執(zhí)行一個(gè)特定的相似性度量的另一實(shí)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(zhǔn)方法可以分為三類：剛性，仿射，以及非剛性（參數(shù)或非參數(shù)）接近（80）。另一方面，在剛性和仿射幾何變換僅取決于幾個(gè)全局參數(shù)（例如圖像大小，位置和方向），因?yàn)樗鼈儾恍枰袼兀?）的非線性位移。這兩種轉(zhuǎn)化方法適用于剛性的組織，如骨盆，股骨，并且其通過(guò)顱骨約束大腦運(yùn)動(dòng)。相比之下，非剛性配準(zhǔn)是利用當(dāng)身體部位進(jìn)行非剛

49、性運(yùn)動(dòng)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(shù)的非剛性的應(yīng)用已經(jīng)公布，相對(duì)于剛性2D / 3D配準(zhǔn)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(zhǔn)。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(guò)程中多重網(wǎng)格循環(huán)正規(guī)化。

50、此外，RGF準(zhǔn)算法的擴(kuò)展有效地在（93）中實(shí)現(xiàn)的二維和三維可變形圖像配準(zhǔn)通過(guò)GPU加速。在圖像配準(zhǔn)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(shí)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(jìn)一步的落實(shí)上利用GPU CUDA，和高品質(zhì)和卓越的性能均達(dá)到（96）。同時(shí)，Rezk-薩拉馬等提出了一個(gè)適當(dāng)?shù)臄?shù)學(xué)模型，并示出如何卷的變形可以通過(guò)數(shù)據(jù)并行處理使用圖形硬件（97）而加速。同時(shí)，幾何變

51、換方式花費(fèi)其大部分的總計(jì)算時(shí)間進(jìn)行插值。這些內(nèi)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(guò)程</p><p>　　圖像配準(zhǔn)的目的是發(fā)現(xiàn)，通過(guò)優(yōu)化相似性度量函數(shù)在方程拉一個(gè)圖像到最佳的空間對(duì)應(yīng)與其他圖像的最優(yōu)幾何變換。 3.在圖像配準(zhǔn)中，優(yōu)化過(guò)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(shù)的偏導(dǎo)數(shù)的計(jì)算。因此，基于梯度的方法是不是從實(shí)現(xiàn)的角度來(lái)看梯度自由方法更多地參與。大量的算法已實(shí)施了醫(yī)學(xué)圖像配準(zhǔn)（91,99,100），但只有小部分可以被直接利用GPU的并行計(jì)算平臺(tái)上，以滿足實(shí)際的臨床應(yīng)用的要求。 2007年，維特爾等人。提出了一種基于梯度的配準(zhǔn)方法，包括使用頂點(diǎn)紋理取2D直方圖的一個(gè)GPU的友好的計(jì)算，以及遞歸高斯濾波GPU上（101）的實(shí)現(xiàn)。同時(shí)，另一個(gè)快速GPU實(shí)現(xiàn)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(jì)算是注冊(cè)的計(jì)算瓶頸。因此，研究人員應(yīng)進(jìn)一步支付開(kāi)發(fā)更有效的并行技術(shù)為這些組件的更多關(guān)注。</p><p><b>　　醫(yī)學(xué)圖像可視化</b></p><p>　　在醫(yī)學(xué)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(jué)分析，例如，在科學(xué)，工程和醫(yī)學(xué)學(xué)科一個(gè)越來(lái)越重要的工具。尤其是在醫(yī)療成像應(yīng)用，可視化是醫(yī)療診斷和手術(shù)計(jì)劃開(kāi)采列入2D / 3D圖像數(shù)據(jù)集的重要信息是必不可少的。為了進(jìn)一步了解和洞察生成的圖像數(shù)據(jù)背后，可視化技術(shù)是一個(gè)正確的選擇，這可能探索和查看醫(yī)療數(shù)據(jù)集的視覺(jué)圖像的方便（103）。例如，所收集的醫(yī)療數(shù)據(jù)，這源于傳感器測(cè)量，例如CT和MRI的數(shù)值模擬，總是趨向于非常大。因此，醫(yī)療數(shù)據(jù)的可視化是不可或缺的理解和充分利用這一醫(yī)療

55、數(shù)據(jù)（104,105）。</p><p>　　根據(jù)不同的方法中，圖像的可視化的方法可以分為兩個(gè)不同的組（103）：表面繪制，和體繪制。表面呈現(xiàn)歷來(lái)通過(guò)從3D標(biāo)量場(chǎng)提取相應(yīng)的等值面的多邊形網(wǎng)格，通常通過(guò)使用移動(dòng)立方體（MC）算法（106107）的一些變種來(lái)實(shí)現(xiàn)。在表面繪制的第一步是構(gòu)造物體表面的數(shù)學(xué)模型。堆焊渲染技術(shù)被利用來(lái)重構(gòu)連續(xù)的表面，然后以計(jì)算紋理坐標(biāo)和范數(shù)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(jiàn)表面區(qū)域（108）的觀察者反射的光量。然而，表面呈現(xiàn)有幾個(gè)缺點(diǎn)和問(wèn)題。首先，它是難以實(shí)施的更復(fù)雜的照明模型，可以對(duì)形狀的更好的視覺(jué)感知（107）是有用的。其次，使用多邊形網(wǎng)格體積的分段線性逼近可以從卷中數(shù)據(jù)的實(shí)際等值面拓?fù)洳煌?。這樣的不良行為是不可接受的一些科學(xué)應(yīng)用（109110）。第三，雖然表面渲染對(duì)渲染時(shí)間一個(gè)令人滿意的性能，它可能只顯示醫(yī)療對(duì)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(shù)據(jù)通過(guò)計(jì)算有色半透明體積的二維凸起設(shè)置的技術(shù)，其可以顯示三維標(biāo)量場(chǎng)的全部信息（111）。在一般情況下，該體積通常被認(rèn)為是氣態(tài)顆粒在體繪制的分布。為了進(jìn)一步理解的體繪制，沿著觀看線傳遞的體積，然后到達(dá)觀察者是仿照?qǐng)D4中的入射光的原理。</p><p>　　在數(shù)學(xué)上，光強(qiáng)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(shù)，該衰減的光強(qiáng)度（）是在位置s。 （）QS是源項(xiàng)，讓光在位置S排出量。最終強(qiáng)度I開(kāi)始的初始強(qiáng)度I 0，必須在差動(dòng)式數(shù)值近似。[8]。</p><p>　　圖4原理容積再現(xiàn)：一個(gè)觀察光線追蹤的道路上的觀察者。而光線穿過(guò)體積，入射光強(qiáng)度I 0是由發(fā)射和吸收改變，從而導(dǎo)致在最終的強(qiáng)度I到達(dá)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(jìn)一步劃分為對(duì)象的順序和圖像順序的方法在表2中（103）。近年來(lái)，研究已經(jīng)提出了一些混合方法（120121），但他們的fundaments仍然基于的兩個(gè)主要類別。由于圖像像素的預(yù)測(cè)是離散的，對(duì)象，訂單量渲染的方法很簡(jiǎn)單，速度快，但往往免受不必要的渲染假象（122）受到影響。幸運(yùn)的是，建議潑灑（或占用）方法可以克服這一缺點(diǎn)（113114）。由于在潑灑的方法的視圖依賴性重采樣，剪切經(jīng)線體繪制方法，被認(rèn)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(diǎn)。然而，這種方法尚未優(yōu)選在現(xiàn)代醫(yī)學(xué)和臨床應(yīng)用中，由于其不理想的渲染質(zhì)量和所需復(fù)雜的預(yù)處理（123）。相比之下，光線投射算法，一個(gè)圖像階體繪制方法，實(shí)現(xiàn)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(duì)象階3D紋理基體繪制算法也被廣泛應(yīng)用到遮光體繪制的，因?yàn)樗鼈兛梢酝ㄟ^(guò)GPU加速（116）大大加速通過(guò)數(shù)據(jù)并行處理。</p&g

61、t;<p>　　通過(guò)使用傅立葉切片定理，體繪制，也可以在頻域中實(shí)現(xiàn)。后面的體積數(shù)據(jù)被轉(zhuǎn)換成頻率，逆快速傅立葉或快速哈特利變換被用于產(chǎn)生最終的圖像通過(guò)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(shì)。通過(guò)使用小波作為重建過(guò)濾波器，小波潑灑可以修改在實(shí)際應(yīng)用中（119）的標(biāo)

62、準(zhǔn)方法潑灑。此外，F(xiàn)WVR和標(biāo)準(zhǔn)FVR具有相同的時(shí)間復(fù)雜度，即2（日志）ONN，而小波潑灑具有復(fù)雜3（）接通。盡管如此，F(xiàn)WVR經(jīng)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(shì)。</p><p>　　對(duì)基于GPU的醫(yī)學(xué)圖像可視化方法的優(yōu)點(diǎn)</p><p>　　由于醫(yī)學(xué)成像的快速增加計(jì)算的復(fù)雜性，現(xiàn)在限制了先進(jìn)的技術(shù)在醫(yī)療和臨床應(yīng)用的發(fā)展。最初設(shè)計(jì)用于數(shù)據(jù)并行加速在計(jì)算機(jī)圖

63、形的過(guò)程中，在GPU將自身定位為用于運(yùn)行并行計(jì)算來(lái)處理的醫(yī)療數(shù)據(jù)集（22），一個(gè)通用平臺(tái)。尤其是現(xiàn)在在醫(yī)學(xué)診斷，其高度依賴于，必須在實(shí)時(shí)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(shí)現(xiàn)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(rèn)為是物體表面的建模。在最近的醫(yī)療應(yīng)用中，

64、通過(guò)使用GPU加速和幾何著色器的優(yōu)點(diǎn)，在ISR渲染技術(shù)已經(jīng)大大加快了（130）。對(duì)于DSR，表面呈現(xiàn)可以在沒(méi)有中間的幾何圖元的表示來(lái)實(shí)現(xiàn)</p><p>　　表面繪制往往實(shí)現(xiàn)對(duì)比度增強(qiáng)CT數(shù)據(jù)顯示骨骼和血管結(jié)構(gòu)。但是，有時(shí)很難為研究者和醫(yī)生呈現(xiàn)（131）圖像的準(zhǔn)確性和可靠性。另一方面，DVR的一個(gè)主要的技術(shù)是用于3D醫(yī)療數(shù)據(jù)顯示，實(shí)施對(duì)所述數(shù)據(jù)集的整個(gè)圖像顯示，而不對(duì)應(yīng)于所述關(guān)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(dú)立處理的并行執(zhí)行。原來(lái)光線投射方法可分為三部分：初始化和射線設(shè)置，射線遍歷，并寫(xiě)入渲染結(jié)果（132）。同時(shí)，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(guò)發(fā)布一些數(shù)據(jù)管理工作的CPU，加速體繪制，板坯的鑄造技術(shù)是基于經(jīng)驗(yàn)呈現(xiàn)的，獲得從比較片段著色器執(zhí)行原始光線投射到實(shí)現(xiàn)直接轉(zhuǎn)換到CUDA內(nèi)核（132）。

66、</p><p>　　近來(lái)，實(shí)時(shí)4D心臟數(shù)據(jù)采集的技術(shù)已經(jīng)成為在實(shí)際臨床環(huán)境應(yīng)用，多維醫(yī)學(xué)成像模式成為現(xiàn)實(shí)。為了有效地處理4D體繪制大量的醫(yī)療容積數(shù)據(jù)的棘手的問(wèn)題，應(yīng)該加速四維醫(yī)學(xué)圖像可視化，開(kāi)發(fā)操作框架心臟數(shù)據(jù)集的（136）顯示器，這是有效地利用現(xiàn)代的并行計(jì)算能力來(lái)實(shí)現(xiàn)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(jìn)行了描述詳細(xì)（136）。這種基于GPU的光線投射體繪制方法，是直接

67、實(shí)現(xiàn)在圖形硬件可編程頂點(diǎn)和片段處理器上。為了進(jìn)一步提高3D渲染性能，加速光線投射算法，被有效地實(shí)現(xiàn)了基于一種新穎的空間跳躍加速技術(shù)（137）。然而，呈現(xiàn)單一同質(zhì)體積不足以用于在現(xiàn)代醫(yī)學(xué)的臨床。提高對(duì)多個(gè)數(shù)據(jù)集的體繪制的性能，應(yīng)該使用多卷數(shù)據(jù)集的光線投射一個(gè)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(lái)實(shí)現(xiàn)的，而不是傳統(tǒng)的圖形流水線的事實(shí)。與此同時(shí)，多幀速率體積渲染是因?yàn)樾枰獮橥该鞯奈矬w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(gòu)整個(gè)圖像場(chǎng)景作為一個(gè)單一的表面，其中的運(yùn)動(dòng)視差知覺(jué)被摧毀。為了提高渲染質(zhì)量，Hauswiesner等。提出了多幀速率體繪制系統(tǒng)，高品質(zhì)的重建和快速透明的容積再現(xiàn)（140）卓越能力。其他體繪制技術(shù)，諸如像素射線圖像（141）和光場(chǎng)的表示（142），顯示出目標(biāo)卷的更豐富的描述，但要求相當(dāng)?shù)姆治鲱A(yù)處理和分別因?yàn)樗鼈兊拇蟪叽绮贿m合頻繁總線傳輸。隨著高性能計(jì)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(jīng)演變成一個(gè)引人注目的平臺(tái)，是廣泛的計(jì)算苛刻的任務(wù)，如醫(yī)學(xué)圖像處理（143），劑量計(jì)算和治療計(jì)劃優(yōu)化（144145），計(jì)算機(jī)視覺(jué)（146），等等。如今，GPU的是高性能的標(biāo)準(zhǔn)工具之一，并在整個(gè)行業(yè)和學(xué)術(shù)界被廣泛采用（22）。許多研究人員和開(kāi)發(fā)人員成為有意利用GPU的電源通用計(jì)算。我們已經(jīng)提出了基于GPU的醫(yī)學(xué)圖像計(jì)算技術(shù)的全面調(diào)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(gè)主要的醫(yī)

70、療用圖像處理的基礎(chǔ)上成分：分割，登記和可視化。傳統(tǒng)的基于CPU的實(shí)現(xiàn)是過(guò)慢適合于實(shí)際的臨床應(yīng)用。為了克服這一限制，目前的醫(yī)學(xué)圖像計(jì)算總是在現(xiàn)代GPU實(shí)現(xiàn)的。尤其是在醫(yī)學(xué)影像學(xué)的臨床實(shí)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(zhǔn)的部分或丟失的數(shù)據(jù)。</p><p>　?。ㄈ┚C合體繪制框架。</p>

71、<p>　　圖像分割起著實(shí)際重要的作用，臨床應(yīng)用，并作為各種初步階段。診斷技術(shù)中，相應(yīng)的高分割腦部MRI圖像的性能是必不可少的，至關(guān)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?；屹|(zhì)（GM）白質(zhì)（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(gè)（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(zhǔn)確地細(xì)分這些同時(shí)只使用一個(gè)3組織結(jié)構(gòu)

72、特殊的方法。大多數(shù)現(xiàn)有的分割方法[互動(dòng)種子區(qū)域生長(zhǎng)，（測(cè)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(duì)象/區(qū)域，其中僅含有均質(zhì)體素。統(tǒng)計(jì)模式識(shí)別可能是高效且健壯的技術(shù)作為一個(gè)統(tǒng)一的框架PV組織分割，根據(jù)素強(qiáng)度在腦MRI的統(tǒng)計(jì)特征圖像。此外，馬爾可夫隨機(jī)場(chǎng)（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(lái)改善圖像分割性能??。為了加快統(tǒng)計(jì)分割過(guò)程中使用GPU加速，我們應(yīng)該進(jìn)一步思

73、考這些方法并適應(yīng)它們用于大規(guī)模并行處理環(huán)境中的實(shí)時(shí)實(shí)際的臨床應(yīng)用。在醫(yī)療和臨床應(yīng)用中，醫(yī)療圖像從相似或不同的方式經(jīng)常需要與對(duì)齊參考圖像作為許多預(yù)</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(kāi)發(fā)人員的指導(dǎo)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(xiàn)最高質(zhì)量的圖像上渲染速度，而剪切經(jīng)線和3D為代價(jià)基于紋理的方法是能夠最大程度地交互式幀率的圖像質(zhì)量（111）的成本。同時(shí)

74、，頻率域的方法進(jìn)行快速的繪制，而是被限制在平行投影和X-射線型呈現(xiàn)（157）。為了提高渲染品質(zhì)，加快渲染速度，有前途的綜合性框架可以通過(guò)構(gòu)建組合空間域和變換域方法，或結(jié)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(zhì)的渲染，減少計(jì)算時(shí)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(shí)時(shí)醫(yī)療應(yīng)用上實(shí)現(xiàn)的GPU。</p><p><b>　　參考文獻(xiàn)：略</b></p