基于CUDA加速的三维医学图像配准_王蓓蕾

Graphics Processing Units） 来加速配准进程［5-7］，但效 果 也 不 甚理想．
Nvidia 于 2007 年 推 出 第 一 款 具 备 统 一 计 算 设 备 架 构 （ Compute Unified Device Architecture ，CUDA ） 的显卡． 相比 较于之前的图形处理架构，CUDA 提供了统一的着色器流水 线，使得在 GPU 上运行的程序可以对数学逻辑单元进行排 列； 此外，CUDA 还提供了共享的片内存储器，使得线程间可 以随机写入和通信，这都为解决三维医学图像配准的实时性 问题，提供了一个相对廉价而又高效的解决途径．
本文基于 CUDA 架构，提出一个快速的三维医学图像配 准算法，实验表明该算法能够准确、快速的实现三维医学图像 的配准，从而满足医学临床对配准算法的需求．
2 CUDA 对三维医学图像配准的加速
假设两组待配准图像分别为 Ｒ、F，以图像 Ｒ 的空间坐标 为基准（ 称为参照图像） ，在测度 S 下的图像配准准则即为寻
文 章 编 号： 1000-1220（ 2013） 11-2621-05
CUDA-based Acceleration of Three Dimensional 3D Medical Images Ｒegistration
WANG Bei-lei1 ，ZHU Zhi-liang1 ，M ENG Lu2
MI（ Ｒ，F） = H（ Ｒ） + H（ F） － H（ Ｒ，F）
（ 2）
其中，Ｒ、F 分别代表参考图像和浮动图像，H（ Ｒ） 、H（ F） 分别
代表两幅图像的香农熵，其值可以通过图像的灰度分布计算
得到．
基于最大互信息的图像配准算法流程如图 1 所示．
图 1 基于最大互信息的图像配准算法流程 Fig． 1 Flow chart of image registration based on
量的冗余计算，很大程度上降低了 CUDA 加速的效果．
图 2 基于 CUDA 的图像联合直方图计算方法流程图 Fig． 2 Flow chart of image joint histogram calculation method based on CUDA
通过在 8mm、4mm 尺度体数据三维搜索空间中进行的最
优化选择，在 2mm 和 1mm 尺度体数据中，需要进一步处理的
目标仅为三维搜索空间中的一个点，处理的内容包括在 2mm
尺度体数据中的 9 自由度最优化，并基于最大互信息测度原
则，选择旋转、平移、放缩参数； 以及 1mm 尺度体数据中的 12
自由度最优化，并基于最大互信息测度原则，选择旋转、平移、
较，若二者之间关系不满足式（ 3） ，则剔除该候选点．
| θ8mm － θ4mm | ≤n /2Ｒ
| t8mm － t4mm | ≤n /2
（ 3）
| s8mm － s4mm | ≤n /2Ｒ 其中，θ8mm 、θ4mm 分别表示 8mm 尺度和 4mm 尺度下的旋转参 数，t8mm 、t4mm 分别表示 8mm 尺度和 4mm 尺度下的平移参数， s8mm 、s4mm 分别表示 8mm 尺度和 4mm 尺度下的放缩参数，n 表示尺度，Ｒ 表示三维体数据半径．
1 （ Softw are College，Northeastern University，Shenyang 110819，China） 2 （ College of Information Science and Engineering，Northeastern University，Shenyang 110819，China）
势，并结合图像多尺度、最大互信息等方法，实现了三维医学图像的快速配准． 实验结果表明，该方法在保证配准精度的前提下，
大幅度地提高了三维医学图像配准算法的运算速度，可以满足临床上对配准算法的实时性要求．
关 键 词： 三维图像配准； CUDA 加速； 互信息； 多尺度
中图分类号： TP391
文献标识码： A
Gómez-Luna 等提出基于 CUDA 加速的单幅图像直方图计算 方法［11］，Shams 等人在此基础上，提出了基于 CUDA 加速的两
幅图像联合直方图计算方法，并进一步总结了互信息测度的计 算方法［12］． Shams 等人的方法对每个 block 的建立都要遍历整
个体数据，以选择合适的体素，这使得方法执行过程中存在大
maximum mutual information
但是以上过程对于医学图像的配准而言，一般耗时较长， 也即时间复杂度较大． 其主要原因在于：
1） 三维医学图像分辨率高，导致数据量大； 2） 图像互信息的计算量较大，实验表明医学图像配准方 法大约 90% 的时间消耗在互信息计算上． 为解决以上影响配准速度的问题，本文提出： （ 1） 使用多 尺度的方法解决三维医学数据量大的问题； （ 2） 使用基于 CUDA 的快速图像互信息计算方法． 2． 1 多尺度图像分解 随着医学成像设备的不断发展，医学图像的分辨率也越 来越精细，从而造成医学图像数据量越来越大． 以肺部 HＲCT 图像为例，一组 512 × 512 分辨率，层厚 1mm，层间距 2mm 的 图像，其层数在 200-300 层，其中需要处理的体素在五千万至 八千万之间． 如此大的数据量对实时快速的医学图像处理，尤 其是算法复杂度较高的图像配准来说，是一个非常大的挑战． 而对三维体数据进行多尺度分解，再逐步进行配准，是一个在 性能和速度间取得平衡的方法． 在进行多尺度分解之前，先对医学图像三维体数据进行 初始化，包括： （ 1） 层间插值，使三维体数据实现各向同性； （ 2） 层内插值，使相邻体素间距为 1mm． 本文对原始体数据进行 3 次尺度分解，分别得到 8mm 尺 度体数据、4mm 尺度体数据、2mm 尺度体数据． 其主要原理 是，先在尺度较大的体数据中进行错误率高、计算量大的仿射 矩阵参数寻优，进而将目标参数限制在有限的搜索空间中，然 后在尺度较小的体数据中对已有参数进行进一步寻优，以及 逐步增加其他仿射矩阵参数寻优． 在 8mm 尺度体数据中，基于最大互信息测度准则，初步 确定旋转仿射矩阵在 X、Y、Z 上的三个分量，因为统计表明， 在配准过程中，旋转参数的计算错误率最高，所导致的后果也 最严重［8］． 在 4mm 尺度体数据中，基于最大互信息测度准则，计算 新的旋转、平移、缩放参数，并与 8mm 尺度下的计算结果作比
为解决医学图像配准的实时性问题，国内外的研究学者 们提出过很多加速策略，2006 年之前主要集中于在并行超级 计算机上来完成图像配准［2-4］． 用这些方法，速度虽然能够得 到很大的提高，但通过使用大的、昂贵的超级计算机来实现， 对于医疗装置是不现实的． 近几年来，一些研究学者探索利用 GPU 通 用 计 算 （ GPGPU，General Purpose computation on
2622
小型微型计算机系统
2013 年
找一个空间变换 T，对图像 F（ 称为浮动图像） 做变换 T，使得
在此变换下测度 S 最大． 配准准则可表示为：
T^ = arg maxS（ Ｒ，FT ）
（ 1）
T
式（ 1） 称为相似性配准准则测度，S 表示了图像间的相似
性大小． 本文通过互信息来表达测度 S． 互信息的定义为：
小型微型计算机系统 Journal of Chinese Computer Systems
2013 年 11 月 第 11 期 Vol． 34 No． 11 2013
基于 CUDA 加速的三维医学图像配准
王蓓蕾1 ，朱志良1 ，孟 琭2
1 （ 东北大学 软件学院，沈阳 110819） 2 （ 东北大学 信息科学与工程学院，沈阳 110819） E-mail： w angbeilei_happy@ 163． com
摘 要： 三维医学图像配准技术是医学图像处理，特别是外科手术导航的关键技术，但现有的三维医学图像配准算法大多存在
计算量大、耗时过长的问题，不能满足临床应用中实时处理的要求． 针对这一问题，提出一种基于统一计算设备架构( Compute
Unified Device Architecture，CUDA) 的高性能计算方法，充分利用 CUDA 架构下 GPU ( Graphic Processing Unit) 并行计算的优
Abstract： Ｒeal time 3D medical image registration method is key technology of medical image processing，especially in surgical operation navigation． How ever，current 3D medical image registration methods are time-consuming，w hich can' t meet the real time requirement of clinical application． To solve this problem，this paper presented a high performance computational method based on CUDA （ Compute Unified Device Architecture） ，w hich took full advantage of GPU parallel computing under CUDA architecture combined w ith image multiple scale and maximum mutual information to make fast registration of three dimensional medical image． Experiments show ed that this algorithm can greatly accelerate the computational speed of registration of three dimensional medical image，and meet the real time requirement of clinical application． Key words： threee dimensional image registration； CUDA acceleration； mutual information； multiple scale