本文關(guān)鍵詞：基于CUDA的腦組織快速提取研究

  更多相關(guān)文章： 腦組織提取 CUDA SP-BET 水平集 區(qū)域生長

【摘要】：隨著醫(yī)學成像技術(shù)的快速發(fā)展,磁共振成像技術(shù)徹底擺脫了電離輻射對人體細胞的傷害,無創(chuàng)傷,而且具有多方位成像,信息量大,能清楚區(qū)分軟組織等特點。從磁共振腦圖像中對腦組織的分割提取已成為腦功能研究及臨床醫(yī)學應(yīng)用中的一項非常重要的預(yù)處理過程。在實際應(yīng)用中,為檢測出病人和正常人大腦之間的細小差別,需要對大量病人和正常人的腦圖像進行腦組織提取實驗,以便細節(jié)比較。這需要較高的腦組織提取精度和速度,以及較強的穩(wěn)定性。手動的腦組織提取方法可以達到精度很高,但是費時費力,需要操作人員對大腦解剖結(jié)構(gòu)非常清楚,且受主觀性影響;自動的腦組織提取方法中采用混合方法,可以達到較高精度和穩(wěn)定性要求,處理時間比手動的快,但是速度上仍然難以滿足用戶需求。為此,本文提出基于CUDA的腦組織快速提取方法的研究,采用改進的BET、水平集、區(qū)域生長三種結(jié)合的混合的并行處理的腦組織自動提取算法。在本文中,利用CUDA多核GPU加速的方法快速提取腦組織。腦組織的提取算法首先采用改進的BET,通過分配線程并行處理的方式計算,每次迭代,一個線程計算大腦表面的一個頂點新位置,每個線程塊計算同一幅MR腦圖像切片的所有頂點更新時的新位置。因此,迭代N次后,可以同時更新K幅MR腦圖像切片所有頂點的新位置,即BET演化結(jié)束。為了改善算法的準確性,我們用上一幅MR腦圖像切片的BET演化結(jié)果作為下一幅MR腦圖像切片的初始腦組織輪廓。實驗結(jié)果表明,這種BET并行計算提取腦組織的方法在準確性和穩(wěn)定性方面全局最優(yōu),在處理110幅MR腦圖像切片時,運行時間不足1s,實現(xiàn)了腦組織輪廓的快速提取。在BET演化的基礎(chǔ)上,將所有離散的頂點兩兩相連連成線,得到初始的腦組織輪廓,并通過區(qū)域生長方法可以得到每幅MR腦圖像切片的初始腦組織掩模,最后再利用水平集和區(qū)域生長結(jié)合的方法提取準確的腦組織。實驗結(jié)果表明,水平集并行處理的方法在準確性和穩(wěn)定性方面局部最優(yōu),在處理一幅MR腦圖像切片時,運行時間低于1s,這種基于CUDA并行處理的混合方法實現(xiàn)了對腦組織的快速提取。
【關(guān)鍵詞】：腦組織提取 CUDA SP-BET 水平集 區(qū)域生長
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41;R445.2
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-19
• 1.1 課題研究背景和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-17
• 1.2.1 腦組織提取的研究現(xiàn)狀10-14
• 1.2.2 GPU的發(fā)展14-17
• 1.3 本文研究內(nèi)容17-18
• 1.4 本文結(jié)構(gòu)18-19
• 第二章 CUDA技術(shù)19-27
• 2.1 引言19
• 2.2 CUDA編程模型19-23
• 2.2.1 線程層次20-21
• 2.2.2 CUDA核21-22
• 2.2.3 CUDA對C的擴展22-23
• 2.3 CUDA存儲模型23-25
• 2.4 CUDA的開發(fā)環(huán)境25-26
• 2.5 本章小結(jié)26-27
• 第三章 基于CUDA和BET的腦組織快速提取27-42
• 3.1 引言27
• 3.2 BET算法原理27-30
• 3.2.1 輪廓的初始化28
• 3.2.2 BET的演化原理28-30
• 3.3 BET算法的改進30-33
• 3.3.1 平滑力的改進30-31
• 3.3.2 擴張力的改進31-32
• 3.3.3 搜索路徑的改進32-33
• 3.4 基于CUDA的腦組織快速提取33-41
• 3.4.1 P-BET方法33-36
• 3.4.2 SP-BET方法36-38
• 3.4.3 實驗結(jié)果38-41
• 3.5 本章小結(jié)41-42
• 第四章 基于CUDA、水平集和區(qū)域生長的腦組織快速提取42-57
• 4.1 引言42
• 4.2 水平集方法42-46
• 4.2.1 曲線演化42-44
• 4.2.2 水平集方法44-46
• 4.3 區(qū)域生長概述46-47
• 4.4 基于CUDA的腦組織提取實驗47-56
• 4.4.1 腦組織掩模的提取47-48
• 4.4.2 基于水平集的腦組織快速提取48-53
• 4.4.3 水平集和區(qū)域生長結(jié)合的腦組織快速提取53-56
• 4.5 本章小結(jié)56-57
• 第五章 總結(jié)和展望57-59
• 5.1 總結(jié)57-58
• 5.2 展望58-59
• 參考文獻59-63
• 致謝63-64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊曉霜;汪源源;王涌;王怡;;基于改進變分水平集法提取超聲圖像乳腺腫瘤邊緣[J];航天醫(yī)學與醫(yī)學工程;2008年06期

2 鮑征燁;周衛(wèi)平;舒華忠;;一種基于水平集的骨架提取方法[J];生物醫(yī)學工程研究;2007年02期

3 楊玲;侯小葉;王中科;饒妮妮;;局部信息約束的形狀導向水平集算法對下頜管的分割[J];中國生物醫(yī)學工程學報;2012年02期

4 任曉穎;喻大華;;一種基于ITK腦部MRI混合分割方法的設(shè)計與實現(xiàn)[J];中國組織工程研究;2012年39期

5 李海云,李光穎,王箏;一種基于水平集的脊柱MRI圖像分割算法的研究[J];北京生物醫(yī)學工程;2004年03期

6 金大年;陳衛(wèi)東;韋秋菊;;一種基于快速混合型K均值的水平集圖像分割方法[J];中國醫(yī)學物理學雜志;2011年01期

7 楊昌俊;楊新;;基于圖割與快速水平集的腹部CT圖像分割[J];CT理論與應(yīng)用研究;2011年03期

8 鄭彩仙;許修;王成;葉秀霞;;MRI-UTE牙齒圖像分割的分層約束矯正的改進水平集算法[J];中國醫(yī)療器械雜志;2013年04期

9 馮艷玲;陳真誠;何繼善;張陽德;錢盛友;;基于水平集的HIFU損傷區(qū)域三維重建技術(shù)[J];醫(yī)療衛(wèi)生裝備;2007年11期

10 朱昀,楊杰,于志強;基于混合水平集模型的CT顱面眼眶分割[J];生物醫(yī)學工程學雜志;2005年05期

中國重要會議論文全文數(shù)據(jù)庫 前9條

1 田昊;楊劍;李國輝;;基于變分水平集的遙感影像建筑物檢測[A];第18屆全國多媒體學術(shù)會議（NCMT2009）、第5屆全國人機交互學術(shù)會議（CHCI2009）、第5屆全國普適計算學術(shù)會議（PCC2009）論文集[C];2009年

2 王一波;胡仲翔;姚耀;;基于水平集的激光條紋提取方法[A];2009全國虛擬儀器大會論文集（一）[C];2009年

3 曹曉光;崔林艷;;基于閾值和水平集的尿沉渣圖像分割組合算法[A];第六屆全國信息獲取與處理學術(shù)會議論文集（1）[C];2008年

4 王斐;趙杰煜;;基于多重網(wǎng)格的水平集圖像分割方法[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

5 梅立超;姜慧研;張柳青;劉洪娟;;基于GPU和水平集的肝臟快速分割方法的研究[A];第九屆全國信息獲取與處理學術(shù)會議論文集Ⅱ[C];2011年

6 凌和良;鄔冬華;劉瑞霞;;變測度的積分型全局優(yōu)化算法[A];中國運籌學會第七屆學術(shù)交流會論文集（下卷）[C];2004年

7 程俊霞;;水平集方程在四邊形網(wǎng)格上的數(shù)值離散方法[A];中國工程物理研究院科技年報(2008年版)[C];2009年

8 金小禮;雷作勝;張浩斌;鄧康;任忠鳴;;氣泡在不互溶兩相流體界面行為的數(shù)值模擬[A];第十三屆（2009年）冶金反應(yīng)工程學會議論文集[C];2009年

9 龔小謹;邢琰;林穎;雷杰;劉濟林;;基于貝葉斯分類與水平集演化的月面巖石自動檢測[A];中國宇航學會深空探測技術(shù)專業(yè)委員會第八屆學術(shù)年會論文集（下篇）[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 韓明;基于水平集表示和均值漂移的運動目標檢測與跟蹤研究[D];燕山大學;2015年

2 秦傳波;基于微型機器人的自動化顯微注射系統(tǒng)關(guān)鍵技術(shù)研究[D];華南理工大學;2015年

3 楊紅U，

本文編號：731334