基于GPU的术中导航交互式实时组织分割方法及平台技术

本发明专利技术公开了一种基于GPU的术中导航交互式实时组织分割方法及平台，首先将原始医学图像切片通过PCI‑E总线从内存加载到GPU的显存中，然后由GPU进行并行区域增长算法分割医学图像，最后将区域增长算法得到的图像体素组成完整的器官；所述GPU进行并行区域增长算法分割医学图像包括以下步骤：第一步，属性判断，计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点；第二步，连通判断，所有的候选体素点均为中心，多个体素点并行向外增长，经过多次迭代将所有判定具有连通性的体素称连通体素，并连通体素并入分割区域。

【技术实现步骤摘要】
基于GPU的术中导航交互式实时组织分割方法及平台
本专利技术涉及医学图像分割处理领域，尤其是一种基于GPU的术中导航交互式实时组织分割方法及平台。
技术介绍
图像分割技术是计算机视觉和图像识别的关键预处理步骤，它是将图像分成若干个特定的、具有独特性质的区域的过程。比如：在医学图像三维重建中，以CT作为输入数据，原始CT中包含各种组织与器官，分割则是找到某个感兴趣组织并确定其边缘，将此组织分离出来。分割结果可以做为以后各种算法的基础，如三维建模，特征提取等等；所以可以说没有正确的分割就没有正确的识别。如图1所示，就是使用区域增长算法，对CT图像序列进行分割的过程；具体是CT图像肺脏分割（a）输入CT序列（b）在某一张CT的肺脏区域选择种子点（c）对CT序列其他体素进行属性及与种子点连通性判断（d）分割后的肺脏结果。示例中分割的目标区域为肺脏，种子点采样在肺脏上，算法通过计算其他体素点的属性（均值+标准差）并与种子点相比，判断其是否同属性；其次由于器官为整块连通区域，需要判断体素点与种子点之间是否存在一条同属性的体素点组成的通路。如果满足以上两个条件，此体素点被归类为肺脏点，最终所有分类出的体素组成了完整的肺脏。使用同一方法，可以分割出胆囊、胰腺、肿瘤等不同组织。由上所述，区域增长算法分为以下两步：1.属性判断：计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点。2.连通判断：候选体素点是否与种子点间存在由候选体素点组成的通路，即候选体素点两两相邻可以连接到种子点。“相邻”指4邻域或8邻域相邻（二维），6邻域或26邻域相邻（三维）。图2所示过程中，以种子点为起始，逐级向外，生长出所有同类点，故名区域增长。第1步属性判断中，每一个像素的判断不依赖于其他像素判断的结果，所有像素的属性判断可以同时进行；可以方便使用硬件进行并行计算从而提升性能，如CPU多线程，GPU并行。但是第2步的连通判断则是一个渐进的算法，以种子点为起始，先检查种子点邻域，再以邻域中的候选种子点作为新的种子点，逐渐向四周逐渐蔓延。而图像边缘的像素的判断只有当它邻域中靠近种子点的像素判断结束后才能进行，所以其本质上是一个串行的过程。目前行业中的算法都是使用串行来实现连通判断，从而成为了算法性能的瓶颈。因此，还有待于对现有技术进行改进。
技术实现思路
本专利技术的目的是提供一种基于GPU的术中导航交互式实时组织分割方法及平台，旨在与解决现有图像分割方法中的区域增长算法运算时间长，不能实时响应的问题。为实现上述的目的，本专利技术的技术方案为：一种基于GPU的术中导航交互式实时组织分割方法，首先将原始医学图像切片通过PCI-E总线从内存加载到GPU的显存中，然后由GPU进行并行区域增长算法分割医学图像，最后将区域增长算法得到的图像体素组成完整的器官；所述GPU进行并行区域增长算法分割医学图像包括以下步骤：第一步，属性判断，计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点；第二步，连通判断，所有的候选体素点均为中心，多个体素点并行向外增长，经过多次迭代将所有判定具有连通性的体素称连通体素，并连通体素并入分割区域。所述的基于GPU的术中导航交互式实时组织分割方法，其中，所述并行区域增长的算法具体步骤为：S1：num_updated变量为所有体素共享变量，设置共享变量num_updated为1，启动迭代增长过程；S2：由bufi缓存作为输入，是经过属性判断的结果，其中候选体素点的值被标记为255，bufo缓存作为输出；S3：在每次迭代开始时，设置num_updated为0，只有输出有更新时，才会将num_updated设置为1；S4：每个体素判断当前体素是否为种子点，若为种子点，更新同属性相邻体素对应输出，遍历完所有邻域点后，置当前体素点为非种子点，方法是去掉候选体素点标记，同时将num_updated设置为1；S5：若体素不是候选体素点或种子点，那么结束本次迭代，且等待所有体素都完成该次迭代后再进行下一次迭代；S6：重S3、S4、S5过程，直到某次迭代输出没有更新，即num_updated为0时，结束区域增长。一种适用于所述的基于GPU的术中导航交互式实时组织分割方法的CUDA平台，其包括：用于接收原始医学图像切片的GPU显存，运行在GPU当中的两个内核函数，两个内核函数分别用于第一步属性判断和第二步连通判断，内核函数与GPU显存连接；block层，在内核函数在执行时三维医学图像数据块被映射block层，所述block层与两个内核函数对接；以及由所有线程块组合形成grid层。有益效果：本专利技术摒弃以种子点为中心逐步向外增长的思想，而以图像中每个体素点为中心，多个体素点并行向外增长，经过多次迭代将所有连通体素并入分割区域；以图形处理单元（GPU）区别与中央处理器（CPU）的设计思路出发，跳出原先以种子点为中心的集中化思路，从GPU并行处理单元的分布式角度出发，每一个处理单元独自判断其与种子点的连通性，为每一个像素同时启动一个GPU线程，并行一次性完成整个数据的连通判断；使用GPU海量之计算资源，发掘每一个计算单元的能力于极致，最大程度饱和GPU计算及存储带宽，倾其所有之力，使得区域增长算法的性能大大超出CPU串行的增长模式。因此，可以大大的缩短图像分割中区域增长算法的时间，并能够实现实时响应。附图说明图1是现有区域增长算法对CT图像序列进行分割的过程。图2是现有区域增长算法中连通判断的8邻域种子点增长示意图。图3是本专利技术并行区域增长流程。图4是本专利技术并行区域增长示意图。图5是本专利技术基于CUDA平台的方案的数据流及线程数据分配。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。本专利技术公开了一种基于GPU的术中导航交互式实时组织分割方法，首先将原始医学图像切片通过PCI-E总线从内存加载到GPU的显存中，然后由GPU系统进行并行区域增长算法分割医学图像，最后将区域增长算法得到的图像体素组成完整的器官；所述GPU系统进行并行区域增长算法分割医学图像，其特征在于，包括以下步骤：第一步，属性判断，计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点；第二步，连通判断，所有的候选体素点均为中心，多个体素点并行向外增长，经过多次迭代将所有判定具有连通性的体素称连通体素，并连通体素并入分割区域。本专利技术摒弃以种子点为中心逐步向外增长的思想，而以图像中每个体素点为中心，多个体素点并行向外增长，经过多次迭代将所有连通体素并入分割区域。基于以上思想，如图3所示的流程实现区域增长，图中虚线框中过程为图像每个体素每次迭代的执行流程，num_upda本文档来自技高网...

【技术保护点】
1.一种基于GPU的术中导航交互式实时组织分割方法，首先将原始医学图像切片通过PCI-E总线从内存加载到GPU的显存中，然后由GPU进行并行区域增长算法分割医学图像，最后将区域增长算法得到的图像体素组成完整的器官；所述GPU进行并行区域增长算法分割医学图像，其特征在于，包括以下步骤：第一步，属性判断，计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点；第二步，连通判断，所有的候选体素点均为中心，多个体素点并行向外增长，经过多次迭代将所有判定具有连通性的体素称连通体素，并连通体素并入分割区域。/n

【技术特征摘要】
1.一种基于GPU的术中导航交互式实时组织分割方法，首先将原始医学图像切片通过PCI-E总线从内存加载到GPU的显存中，然后由GPU进行并行区域增长算法分割医学图像，最后将区域增长算法得到的图像体素组成完整的器官；所述GPU进行并行区域增长算法分割医学图像，其特征在于，包括以下步骤：第一步，属性判断，计算图像中每一个体素点的灰度均值及标准差，并与种子点的均值标准差比较，来判断是否属于同一属性，标记为候选体素点；第二步，连通判断，所有的候选体素点均为中心，多个体素点并行向外增长，经过多次迭代将所有判定具有连通性的体素称连通体素，并连通体素并入分割区域。


2.根据权利要求1所述的基于GPU的术中导航交互式实时组织分割方法，其特征在于，所述并行区域增长的算法具体步骤为：
S1：num_updated变量为所有体素共享变量，设置共享变量num_updated为1，启动迭代增长过程；
S2：由bufi缓存作为输入，是经过属性判断的结果，其中候选体素点的值被标记为255，bufo缓存作为输出；
S3：在每次迭代开始时，...

【专利技术属性】
技术研发人员：刘君，崔飞，王炜，吴乙荣，
申请(专利权)人：刘君，崔飞，王炜，
类型：发明
国别省市：广东;44