基于GPUIVOCT图像管腔分割算法.docVIP

基于GPUIVOCT图像管腔分割算法 　　摘要：为了解决传统的CPU串行算法对血管内光学相干断层扫描（IVOCT）图像进行管腔分割时耗时较多的问题，提出一种基于图形处理器（GPU）的IVOCT图像管腔分割算法。首先，分析基于CPU管腔分割算法可知算法最耗时的两部分是坐标转换算法获取极坐标图像和动态规划算法获取管腔内壁轮廓。接着，分析坐标转换算法和动态规划算法的并行性，在统一设备架构（CUDA）下实现GPU加速优化。最后，在MATLAB中进行仿真实验，定量分析GPU加速后的坐标转换算法、动态规划算法以及最终管腔分割算法的优化性能。实验表明，基于GPU的管腔分割算法较CPU串行算法达到21倍加速比，能够对IVOCT图像序列进行快速处理，基本满足了冠状动脉疾病诊断和治疗的实际需求。 　　关键词：CUDA；GPU；管腔分割；IVOCT图像序列；冠状动脉疾病 　　中图分类号：TP391.54 文献标识码：A 文章编号：1009-3044（2017）28-0198-03 　　1 背景 　　心血管病是中国居民的首位死因，心血管病患病率及死亡率仍处于上升阶段[1]。血管内光学相干成像（Intravascular Optical Coherence Tomography， IVOCT）是目前国内外较新的冠状动脉内影像技术，分辨率约为10μm，是血管内超声分辨率的十倍[2]。血管管腔区域信息在冠状动脉疾病的诊断和治疗中具有很大的价值，如评估冠状动脉的狭窄程度，获取支架植入的最佳位置，评估支架的贴壁情况等[3]，因此由IVOCT图像管腔分割算法获取血管管腔区域是冠状动脉疾病的诊断和治疗中十分重要的基础性工作。 　　文献[4][5]提出基于CPU的IVOCT图像管腔分割算法具有较强的鲁棒性和准确性，但是时间复杂度较高，处理时间较长。在临床实践中，通常需要对数据量很大的IVOCT图像序列进行快速处理，CPU处理速度已无法满足实际需求。近年来，通用计算能力不断增强的图形处理器（Graphics Processing Unit，GPU）已经广泛地应用到医学图像处理领域。NVIDIA提出的统一设备架构（Compute Unified Device Architecture，CUDA）提高了GPU的可编程性，极大方便了基于GPU的通用计算程序开发。本文将分析文献[4][5]提出的基于CPU的IVOCT图像的管腔分割算法，在CUDA架构下对其中耗时较多的部分进行GPU加速，提出一种基于GPU的IVOCT图像的管腔分割算法，力求大幅缩短IVOCT图像管腔分割整体耗时。 　　2 基于CPU的IVOCT图像管腔分割算法 　　文献[4][5]提出的基于CPU的IVOCT图像管腔分割算法的主要流程：利用坐标转换算法，将直角坐标系下的IVOCT图像转换到极坐标系下；在极坐标下对图像进行预处理来移除导丝和导管；对预处理后的图像进行滤波，获取能量图；在能量图中利用动态规划（Dynamic Programming，DP）算法获取管腔轮廓坐标点，从而实现管腔分割。以单张704×704的IVOCT图像为处理，在MATLAB中对基于CPU的管腔分割分割算法进行仿真实验，统计算法耗时可知单张IVOCT图像的管腔分割耗时约为2.17秒，坐标转换算法在总耗时中的占比最大，占总耗时的77%，其次是DP算法，占总耗时的20% 　　2.1 坐标转换算法 　　设IVOCT图像在直角坐标下为imR，大小为M×N，极坐标系下为imP，大小为Mp×Np。由imR到imP的转换过程中，选取imR的图像中心（Om，On）作为极点，Om=（M+1）/2，On=（N+1）/2，imP的原点对应imR的中心点，imP的x方向对应角度，y方向对应半径。对imP中的像素点（r，c），1≤r≤Mp，1≤c≤Np，通过公式（1）映射到imR中的坐标点（m，n），如果m，n都为整数，则imP（r，c）的灰度值等于imR（m，n）；如果m，n不为整数，找到与它相邻的四个像素点，双线性插值获取对应的灰度值。遍历imP中的所有的像素点，进行相同的转换操作就可以得到极坐标下的IVOCT图像。 　　2.2 DP算法 　　获取管腔内壁轮廓可视为在能量图中搜索一条从第1行到最后一行累积能量最小的路径，由于轮廓的连续性，第1行到第i行的最小累积能量路径与第1行到i-1行的最小累积能量路径相关，想要得到第1行到最后一行的路径就必须依赖于第一行到中间行的最小累积能量路径，是一种典型动态规划问题，可以从局部最优的最小累积能量路径一步步递推到全局最优的路径。用公式（2）定义累积累积能量函数E： 　　E（i，j）表示第一行到i行j列像素?c的累积能量，Min为最小值函数，j-m≤ j*?Qj+m，m为相关系数，用来确定搜索