基于JACKET的超聲彈性成像算法并行實(shí)現(xiàn)

摘 要：針對(duì)超聲彈性成像系統(tǒng)在醫(yī)學(xué)診斷中的廣泛應(yīng)用，為了提高超聲彈性成像算法的計(jì)算速度，提出采用GPU加速基于互相關(guān)算法的彈性成像技術(shù)。首先分析采用這種技術(shù)的可能性，然后通過(guò)GPU開發(fā)工具中的JACKET來(lái)實(shí)現(xiàn)互相關(guān)算法的并行計(jì)算，實(shí)現(xiàn)超聲彈性成像技術(shù)。最后通過(guò)實(shí)驗(yàn)數(shù)據(jù)證明該方法在處理單幀彈性圖條件下，能大幅提升圖形計(jì)算的能力。與傳統(tǒng)的互相關(guān)方法比較，具有25倍的加速比。

關(guān)鍵詞：彈性成像；并行算法；圖形處理單元；互相關(guān)；計(jì)算速度

中圖分類號(hào)：TP391.41

隨著電子信號(hào)學(xué)、計(jì)算機(jī)科學(xué)等相關(guān)領(lǐng)域技術(shù)的飛速發(fā)展，超聲彈性成像技術(shù)成為現(xiàn)代醫(yī)學(xué)影像中的一種新模式，是當(dāng)前該領(lǐng)域中研究的熱點(diǎn)，具有實(shí)時(shí)性、無(wú)放射性輻射等優(yōu)點(diǎn)。超聲彈性成像技術(shù)自1991年由Ophir等提出來(lái)的20多年來(lái)取得了快速的發(fā)展，在臨床應(yīng)用中已經(jīng)逐漸顯示出其重要價(jià)值。其基本原理是對(duì)組織施加來(lái)自外部的壓力，在彈性力學(xué)等物理規(guī)律下，組織將產(chǎn)生一個(gè)響應(yīng)，例如位移、應(yīng)變、速度的分布產(chǎn)生一定改變。利用超聲成像方法，結(jié)合數(shù)字信號(hào)處理或數(shù)字圖像處理技術(shù)，可以估計(jì)出組織內(nèi)部的相應(yīng)情況，從而間接或直接反映組織內(nèi)部的彈性模量等力學(xué)屬性的差異。

但是由于超聲設(shè)備的不斷更新，超聲檢測(cè)和臨床診斷等應(yīng)用要求的不斷提高，對(duì)現(xiàn)在的超聲彈性成像算法的實(shí)時(shí)性提出了更高的要求。而GPU（Gaphics Processing Unit）硬件技術(shù)的發(fā)展與創(chuàng)新，給基于GPU的并行計(jì)算帶來(lái)了革命性的變化，為達(dá)到這個(gè)要求提供了可能性[1]。

1 GPU概述及特性

在這部分，主要介紹圖形處理單元，GPU在計(jì)算速度方面有驚人的優(yōu)勢(shì)，目前能夠提供超過(guò)1 TFOPS的單精度性能和超過(guò)300 GFLOPS的雙精度性能，同時(shí)執(zhí)行多大240個(gè)并發(fā)線程，且不需要付出太大的代價(jià)。GPU在并行計(jì)算、分布計(jì)算和浮點(diǎn)運(yùn)算方面，擁有數(shù)十倍乃至上百倍優(yōu)于CPU的運(yùn)算能力。用GPU進(jìn)行并行計(jì)算，減少程序運(yùn)行時(shí)間，大幅提升程序執(zhí)行效率，是近年來(lái)GPU發(fā)展的一大趨勢(shì)，受到了研究人員的廣泛關(guān)注。

1.1 JACKET概述

JACKET Engine是一個(gè)以MATLAB為基礎(chǔ)的基于GPU計(jì)算引擎，由AccelerEyes公司開發(fā)。JACKET加速M(fèi)ATLAB在GPU的代碼。以最少的時(shí)間和知識(shí)，單線程的M-代碼被轉(zhuǎn)換成GPU應(yīng)用程序。JACKET是專為那些需要高性能和GPU資源最大利用率的工程師、科學(xué)家、分析師等設(shè)計(jì)的無(wú)視凌亂的低層次的編程細(xì)節(jié)。JACKET的運(yùn)行系統(tǒng)與協(xié)同工作的語(yǔ)言處理系統(tǒng)，優(yōu)化內(nèi)存?zhèn)鬏?，JIT編譯代碼的實(shí)時(shí)調(diào)諧性能有效的推出GPU內(nèi)核以獲得最大的性能[2]。

1.2 與MATLAB的聯(lián)合

JACKET一旦安裝成功[3]，它就透明的集成了MATLAB的透明界面，用戶可以啟動(dòng)通過(guò)MATLAB桌面和命令窗口交互工作以及寫M-函數(shù)使用MATLAB編輯器和調(diào)試器方式開始工作。所有JACKET數(shù)據(jù)以及任何其他MATLAB的矩陣在MATLAB的工作空間都是可見的。

2 傳統(tǒng)的超聲彈性成像算法分析

通常來(lái)說(shuō)，超聲彈性成像分為四步，第一是在對(duì)目標(biāo)組織未加載外力的狀態(tài)下進(jìn)行RF信號(hào)的采集，第二步是對(duì)目標(biāo)組織加載外力，第三步對(duì)變形組織再進(jìn)行RF信號(hào)的采集，最后，從兩次采集相同目標(biāo)組織的RF信號(hào)在提取出有價(jià)值的信息，包含位移等。其中彈性成像的研究重點(diǎn)在于后期也就是最后一步。在整個(gè)最后一步的處理過(guò)程中又包含最重要的三個(gè)部分，運(yùn)動(dòng)位移估計(jì)、子采樣位移估計(jì)和應(yīng)變估計(jì)。整個(gè)處理流程都屬于計(jì)算密集型操作[4-5]。

歸一化相關(guān)（normalized cross correlation NCC）技術(shù)是一種相對(duì)來(lái)說(shuō)匹配較準(zhǔn)確的匹配算法，但是由于超聲彈性成像系統(tǒng)對(duì)于實(shí)時(shí)性的要求日漸提高，其運(yùn)算速度需要進(jìn)一步提高。

2.1 基于空間域的NCC彈性成像算法

基于空間域的NCC彈性成像算法，所做的是上述最后一步的內(nèi)容，主要包括以下幾個(gè)步驟：基于NCC的初步位移估計(jì)、精確到采樣點(diǎn)的位移估計(jì)、利用數(shù)字差分濾波器產(chǎn)生應(yīng)變產(chǎn)生圖像并顯示。

2.1.1 初步位移估計(jì)

上圖3的偽代碼分別實(shí)現(xiàn)NCC算法基于CPU和GPU的計(jì)算流程。在CPU實(shí)現(xiàn)中，col表示所有RF線數(shù)量，k表示每條RF線待估計(jì)采樣點(diǎn)的數(shù)量，由窗口大小和重疊率決定，l表示計(jì)算的搜索長(zhǎng)度。GPU計(jì)算利用GFOR循環(huán)并行分配M*col個(gè)核來(lái)計(jì)算對(duì)應(yīng)的互相關(guān)系數(shù)。經(jīng)過(guò)這個(gè)過(guò)程，得到的是一個(gè)M*col的一維矩陣，將矩陣變換后得到M*col的二維矩陣，就是最大相關(guān)系數(shù)及其對(duì)應(yīng)的位置。

4 實(shí)驗(yàn)結(jié)果及討論

驗(yàn)證本文所提出方法的快速性和有效性，做了大量的仿真實(shí)驗(yàn)，并同傳統(tǒng)的NCC方法進(jìn)行了比較。仿真環(huán)境：MATLAB R2010B，CPU2.0GHz，GPU為NVIDIA GFORCE 9600 512，CUDA V3.2，JACKET 2.2。

為了展示本文所提出并行算法的效率，采用了同一組織部位壓縮前后的兩組RF數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)大小為550*300。表1給出的基于CPU串行算法和基于JACKET并行算法實(shí)現(xiàn)的性能比較。圖4分別是基于CPU和JACKET計(jì)算的位移估計(jì)圖和應(yīng)變圖，從圖中可以很明顯的看出兩者具有相同的圖像質(zhì)量。

5 結(jié)束語(yǔ)

本文提出了一種基于GPU的NCC彈性成像算法，采用的是基于JACKET的并行實(shí)現(xiàn)方法。實(shí)驗(yàn)結(jié)果顯示本文提出的并行算法最后得出的位移圖和應(yīng)變圖圖像質(zhì)量與傳統(tǒng)的NCC算法串行實(shí)現(xiàn)得到的結(jié)果一致的前提下，在運(yùn)算速度上有了約25倍的加速。這就為超聲彈性帶了更多的應(yīng)用機(jī)會(huì)，同時(shí)該方法具有較大的靈活性，稍作調(diào)整，也可以運(yùn)用其他模式的彈性成像算法。

參考文獻(xiàn)：

[1]David B.Kirk，Wen-mei W.Hwu.Programming Massively Parallel Processors[M].Morgan Kaufmann，2010.

[2]Kuldeep Yadav，Ankush Mittal，M.A Ansari，Vennktesh Vishwarup.Parallel Implementation of Similarity Measures on GPU Architecture using CUDA[J].Indian Journal of Computer Science and Engineering （IJCSE），1，2012.

[3]GPUS.JACKET編程幫助手冊(cè).

[4]范正娟，譚朝煒，劉東權(quán).基于CUDA的彩色超聲血流成像[J].計(jì)算機(jī)應(yīng)用，2011（03）.

[5]夏春蘭，石丹，劉東權(quán).基于CUDA的超聲B模式成像[J].計(jì)算機(jī)應(yīng)用研究，2011（06）.

[6]David S.Smith，John C.Gore，Thomas E.Yankeelov，E.Brian Welch.Real-Time Compressive Sensing MRI Reconstruction Using GPU Computing and Split Bregman Methods[J].International Journal of Biomedical Imaging，Volume 2012，Article ID 864827，6 pages.

[7]Sylvain Robert Rivard，Jean-Gabriel Mailloux，Rachid Beguenane，Hung Tien Bui.Design of high-performance parallelized gene predictors in MATLAB[M].The Open Access Publisher，2012.

[8]郭一漢，史美萍，吳濤.基于GPU的實(shí)時(shí)圖像拼接[J].計(jì)算機(jī)科學(xué)，2012（07）.

[9]袁金偉.超聲彈性成像中的位移和應(yīng)變估計(jì)[D].浙江大學(xué)，2012.

[10]高廣珠，李忠武，余理富.歸一化互相關(guān)系數(shù)在圖像序列目標(biāo)檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與科學(xué)，2005（03）.

[11]崔少國(guó)，彭彩碧，胡明.基于先驗(yàn)估計(jì)和相關(guān)相位的實(shí)時(shí)超聲彈性成像[J].生物醫(yī)學(xué)工程學(xué)報(bào)，2011（04）.

作者簡(jiǎn)介：陳琳（1988.10-），女，四川眉山人，碩士研究生，研究方向：醫(yī)學(xué)圖像處理。

作者單位：西南石油大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，成都 610500