Computer Science ›› 2013, Vol. 40 ›› Issue (4): 306-309.
Previous Articles Next Articles
DANG Jian-wu,HANG Li-hua,WANG Yang-ping and DU Xiao-gang
[1] van de Kraats E B,Penney G P,et al.Standardized evaluation methodology for 2D-3D registration [J].IEEE Transaction on Medical Imaging,2005,24(9):1177-1189 [2] Groher M,Bender F,Hoffmann R T,et al.Segmentation-driven 2D-3D registration for abdominal catheter interventions[J].Medical Image Computing and Computer-Assisted Intervention,2007,4971:527-535 [3] Birkfellner W,Stock M.Stochastic rank correlation:A Robustmerit function for 2D/3D registration of image data obtained at different energies[J].Medical Physics,2009,6(8):3420-3428 [4] Penney G P,Weese J.A Comparison of Similarity Measures for Use in 2D-3D Medical Image Registration [J].Lecture Notes in Computer Science,1998,17(4):594 [5] Zollei L.2D-3D Rigid-Body Registration of X-Ray Fluoroscopy and CT Images[D].Electrical Engineering Computer Science,2001 [6] Kubias A.2D/3D Image Registration on the GPU[J].PatternRecognition and Image Analysis,2008,8(3):382-383 [7] Weese J,Buzug T M.An Approach to 2D/3D Registration of a Vertebra in 2D X-ray Fluoroscopies with 3D CT Images[C]∥Computer Vision Virtual Reality and Robotics in Medicine and Medical Robotics.1997:124 [8] ,假设将I(v,w)=Iv(v,w)代入式(9)中可以得到模式强度的计算公式为: S=1WHπr2∑Wx=1∑d2≤r2σ2σ2+(∑((λiμi)T·x→)-∑((λiμi)T·v→))2(16) 通过对模式强度计算公式的变形,模式强度的计算得到了简化,计算时间得到了缩短。 在计算差值图像的模式强度时,需要遍历整个图像的每个像素,并且以像素为中心,半径r内的像素点也要参与运算,可以看出每一个像素在计算的时候至少会被计算两次,每次遍历计算一个像素模式强度时,这个像素是其周围像素的中心 [9] 。所以当从左到右和从上到下扫描整个图像时,只计算每个像素点右边和下面的像素点,如图2所示,这样可以使计算的复杂度降低一半,缩短计算时间。 图2模式强度计算示意图 3.42D-3D配准的GPU实现 近年来,GPU作为一个强大的计算平台逐渐受到了人们的关注,它提供了灵活的编程环境,并且可以处理大量复杂数据的并行计算。GPU被成功地应用于计算机辅助手术中,同时也被应用于2D-3D医学图像配准中。GPU提供的线程可以与图像的大小相同,线程与图像的像素一一对应,将线程索引作为图像的坐标,就可以并行地计算每个像素的灰度,相比于在CPU上完成2D-3D医学图像配准,可以大大加速配准的速度。 2D-3D图像配准过程主要包含DRR图像的生成与DRR图像与X线图像之间相似度计算两个主要步骤,本文将这个两个步骤在GPU的并行计算平台上完成,整个配准的过程如图3所示。 图32D-3D配准流程图 3.5优化 配准优化的过程是寻找优化参数使DRR图像与X线图像之间的相似度最大,得到最好的配准效果。本文的优化过程是使用梯度下降优化策略来寻找最优参数,在不断的迭代过程中,通过得到的参数指导下一步迭代的图像变换,得到最大的相似性测度。为了能够提高配准的计算速度以及算法的鲁棒性,避免优化出现局部极值,采用了多分辨率策略 [10] 。配准的过程首先在粗糙的低分辨率完成,一旦完成一层的配准,用这层得到的优化的变换参数作为下一层较高分辨率的配准的输入,依次迭代完成整个配准。 4实验结果与分析 本文实验采用的硬件配置为:内存4.0GB,显卡Intel(R) HD Graphics Family,静态处理器为1GB。实验环境为Windows XP下的Visual Studio 2008,实验以盆骨的X线图像以及CT体数据为输入,其中X线图像大小为512×512,CT体数据大小为512×512×360。实验以X线图像为参考图像,DRR图像为浮动图像 [11] ,配准效果图如图4所示。 图4配准效果图 为了进一步验证实验结果,本文同时使用相关系数、互信息以及传统模式强度测度方法对配准过程作了相似性测度,并对结果作了总结,与本文相似性测度方法作了对比,如表1所列。 表1几种相似性测度方法比较相似性 测度方法txtytzrxryrzCPU (s)GPU (s)加速比相关系数15.220.31.021.621.630.40350.210.533.4互信息16.822.51.152.012.120.36380.414.326.6模式强度12.818.30.950.701.500.30400.518.521.6本文方法10.215.40.800.651.400.25360.28.244.0 通过实验表明,模式强度相似性测度在2D-3D医学图像配准中效果最好,而本文通过将模式强度与梯度相结合,对模式强度的计算进行了改进,配准的精确度和速度都有所提高。而基于GPU的配准在保持高的配准精度的同时,相比于基于CPU的配准速度有了明显的提高,很好地加速了配准的过程。 由于配准过程中计算量大,本文在采用梯度下降优化寻找最优参数的同时,引进了多分辨率策略 |
No related articles found! |
|