论文部分内容阅读
肝脏是人体第二大生命器官,具有调节营养物质、协助机体御寒等一系列重要生理功能,但是肝脏疾病的发病率极高,每年都会在全世界范围内造成大量病人的死亡。CT成像是肝病检测的主要影像学诊断方式,伴随着计算机技术的发展,肝病的计算机辅助诊断成为肝病预防及降低肝癌死亡率的重要手段,快速准确的从CT图像中分割出肝脏器官正是肝病计算机辅助诊断的第一步。针对腹部CT图像序列,本文提出了一种基于GPU的并行全自动肝脏分割方法。首先用基于SOM的矢量量化方法对图像的灰度空间进行分割,该方法先对图像进行边缘增强,将增强后的图像分块并划分为边缘矢量(子块)和非边缘矢量两类,将非边缘矢量作为样本对SOM网络进行训练,网络收敛后的权值作为矢量量化的码本,进而对非边缘矢量进行矢量量化,边缘矢量则按照非边缘的结果逐像素处理。矢量量化分割后,图像的各个矢量被分为若干个矢量模式,每种矢量模式对应一种类别,即CT图像在灰度空间上被分为若干类。肝脏的灰度与腹部图像中某些器官组织的灰度相似,所以灰度分割后不能得到单一的肝脏器官,但是同一个矢量模式图像中的各个器官组织在空间上是不连通的,可以通过空间特征的唯一性再次分割出肝脏。因此,在灰度分割的基础上本文提出并行空域分割的方法,对各个矢量模式的图像进行再一次分割。该方法通过判断相邻行各线段之间的连通关系确定图像中各连通域的面积大小以及上下左右边界坐标,利用面积和边界信息从矢量模式相同的图像中分割出肝脏器官。为了提高算法的效率,本文对以上各个分割步骤设计了相应的并行算法,包括:并行边界增强算法、并行矢量分类算法、并行SOM网络训练、并行非边缘块及边缘块矢量量化算法、并行空域分割算法。本文对10套腹部CT图像序列进行分割实验,所有并行算法均在GPU上以CUDA编程语言实现。实验结果表明,本文提出的并行分割方法在保证一定分割准确性的前提下,分割效率显著提升,仅平均需要0.45分钟完成一套腹部CT序列的肝脏分割,对比串行算法加速了14.67倍。