第四章 基于遗传算法的 GLGM 熵多阈值图像分割第三章 GPU 加速和深度学习辅助诊断3.1 GPU 加速 在本文中,我们共有两处涉及到GPU加速,图像分割和三维渲染,由于我们采用VTK来进行三维数据可视化,并且VTK中有封装的vtkGPUVolumeRayCastMapper类,可以方便地进行GPU的加速。我们遇到的问题在于图像分割部分。通常来讲,图像分割就是将图像分为不重叠的区域,每一个区域具有一些相同的特性,如亮度或纹理【22】。如果将图像的整个空域定义为 ,那么分割的目的就是要决定 ,全集为。因此,分割的所有像素集必须满足,此处 且 ,并且每一个 都是相连的。在医学图像的分割中,理想情况下,这些子集会对应到不同的解剖区域或感兴趣区上。目前常见的分割方法类型有阈值法、区域生长法、聚类法、马尔科夫场模型、可形变模型、人工神经网络分割等等。在这些方法中,区域生长法是常用来分割单一或简单的结构【23,24】。在我们的实验中,采用了一种区域生长方法:置信连接算法。在ITK中,由itk::ConfidenceConnectedImageFilter类提供这个算法的一个CPU版本。这个算法对于三维图像的分割非常缓慢,所以我们使用了加速处理。GPU 适合于处理能够表示为数据并行计算( 同一程序在多个数据上并行执行) 的算术计算密度( 算术操作和存储器操作的比例) 非常高的问题。本文算法部分地属于这一类问题,所以我们使用GPU进行了加速。3.1.1 概念定义 区域生长算法都要解决三个问题:第一,选择若干个种子点,种子点代表了需要分割的区域;第二,像素的合并判据,即生长过程;第三,确定生长过程停止规则【25】。置信连接算法是区域生长法的一种,其原理是基于区域统计,也就是使用全局信息来作为判据进行像素合并。首先使用表示目标区域的像素集合,使用表示区域外像素集合。然后,用来表示第 种子点,这样,种子点就描述为,表示种子点的个数。对于种子点的邻域,我们使用表示,所以邻域像素描述为,表示邻域个数,在二维数据中一般,三维数据中一般。在迭代过程中,我们需要一个中转的需要检查的像素的队列,我们记为表示这个队列的长度,它会随着目标区域的扩大而逐渐变大或变小。该算法计算目标区域中包含的所有像素的强度值的平均值和标准差(初始化时为种子点的邻域)。此外,需要一个用户设置的倍率因子来乘以标准差,并以此定义一个在以均值为中心的取值范围。其公式表述如公式??,其中m和分别是区域内像素的均值和标准差,是用户指定的倍...