实现低成本移动设备以支持医疗诊断

摘要

医学成像已成为临床实践的绝对基本诊断工具;目前，可以在已知之前以较早的情况检测病理学。它的使用不仅被降级到放射科领域，而且越来越多地在手术前越来越多地到基于计算机的成像过程。特别是运动分析在分析医学中的活物体的活动或行为方面发挥着重要作用。本短文提供了几种用于新一代片剂和/或智能手机的低成本硬件实现方法，用于估算医学图像中的运动补偿和分段。使用磁共振成像技术已经针对乳腺癌诊断进行了优化，例如，传统的X射线乳房X线摄影，例如，在短时间内获得患者信息。本文还解决了提供在广泛的便携式设备上运行的医疗工具的挑战，包括在平板电脑和/或智能手机上，以帮助患者诊断。

1.介绍

医学成像(1]作为一种医学诊断技术，需要对各种各样的图像序列进行复杂的图像分析，如心电图、x射线、MRI、超声、CT等。核磁共振成像[2在乳腺癌诊断方面，技术是比传统x射线乳房x光造影等其他方法最有前途的工具之一。如今，x射线图像的空间分辨率仍然高于MR图像，但该技术具有产生自然三维图像的优势，并能够无创监测随时间变化的组织中造影剂浓度。

另一方面，运动估计仍然是一个悬而未决的问题，在医学成像中有着重要的应用。对于图像序列内像素运动的估计，有许多模型和算法可以归为属于匹配域近似[3.，能源模型[4]，以及梯度模型[5］．与最后一个家族相关的不同研究[6- - - - - -8表明这代表了一种可以接受的选择，即在准确性和计算资源之间保持一个可容忍的平衡。为了设计有效运行的系统，必须应对许多挑战，如鲁棒性、静态模式、光照变化、不同类型的噪声、对比度不变性等。

对于所使用的硬件平台，近年来便携式工业极大地增加了处理硬件元素的重要性。iPhone 3GS的性能是第一代和第二代iPhone的两倍以上。随着市场需求越来越高，许多处理器制造商已经专门使用智能手机为自己的解决方案，如Cortex A8, Snapdragon, ARM11, Tegra, Armada, OMAP，等等。如今，设备制造商吹嘘他们的手机具有类似电脑的功能，从桌面式的互联网浏览到高清视频回放，当然，还有足够的计算能力来面对科学处理[9，10］．

ARM指令集已经成为低功耗设备的参考架构，因此有许多通用cpu能够运行兼容的ARM代码;这一事实在符合这些指令集的参考处理器中产生了趋势线，因此公司生产的芯片组遵循ARM指令。一些公司，如德州仪器、三星和英伟达，采用ARM CPU参考设计，而其他公司，如高通和Marvell，只授权指令集，并创建自己的处理器以适应它们。

笔记本电脑的流行在不久前超过了台式电脑;移动设备是目前最普遍的设备之一。移动设备现在正在两个方向出现:一方面，它们正在向英特尔atom驱动的上网本的领域进军;另一方面，它们的价格正在下降，取代了接近100美元大关的高端功能手机。

超过20亿ARM芯片[11)的出货量超过了英特尔的Atom设备。gpu(图形处理单元)的作用是为游戏、CAD等三维图形应用程序提供硬件加速。然而，近年来，他们的角色也变成了负责绘制桌面操作系统(OS)的主要用户界面。在大多数现代智能手机平台上(iPhone OS、Android和Palm WebOS, Windows Mobile除外)，操作系统的用户界面本身是合成的，这意味着它是由GPU渲染的。12］．这使得界面看起来比在已经资源有限的CPU上显示计算要平滑得多。

对于嵌入式系统的运动估计，硬件上还有其他的梯度光流模型;有些属于Lucas和Kanade算法[13，14，有些属于Horn和Schunk近似值[15，16］．

值得关注以前的实现[17- - - - - -19]的复杂多通道梯度模型(McGM)算法[20.];这种仿生算法需要应对许多挑战，如鲁棒性、静态模式、光照变化、不同类型的噪声、对比度不变性等。McGM还能够检测到与视错觉相关的正确运动，或避免像矩阵逆或迭代方法等生物学上不合理的操作[15］．我们必须仔细选择实现这些需求的模型。这个算法有很多实现[17- - - - - -19，尽管我们将专注于Carma基于董事会的[21)实现。尽管该系统能够比其他算法更好地管理真实环境中的复杂情况[20.，22- - - - - -25模仿哺乳动物的某些行为[22，25，它的计算复杂性很高，仍然不适用于所考虑的那种微处理器。

在上述假设的前提下，本文提出了一种辅助医疗诊断的工具特别的适用于平板电脑和/或智能手机等移动设备。不仅是它们的接受度和价格驱动的扩散，而且它们不断增长的性能计算提供了在诸如医疗诊断等任务中使用它们的机会。本文研究了在医疗场景中使用这种现代技术的可行性，其中医学图像被处理以辅助医疗决策。

本论文组织如下。首先，简要介绍了Lucas和Kanade模型的阶段以及Otsu方法基于直方图的分割基本方程。然后，阐述了大津法的基本方程。接下来，分析了两种微处理器的实现-英特尔Atom和英伟达Carma板的ARM处理器。在移动平台常用的其他嵌入式设备中使用现有的光流实现进行了一些比较。此外，还显示了最终分割系统的输出图像。最后，给出了硬件的质量结果和相关成本。

2.基于光流梯度的计算与分割

２.１.光流估计，Lucas和Kanade

假设一个物体相对于成像设备移动，它的二维投影通常在投影图像内移动。将三维相对运动矢量投影到二维检测器上，产生一个投影的运动场，通常称为“图像流”或“运动场”。不幸的是，它不可能直接访问速度场，因为光学传感器收集亮度分布而没有速度。然而，计算亮度分布的局部区域的运动是可行的，这种运动场称为光流。光流提供了速度场的近似值，但它不同寻常地相等。从亮度分布的变化来计算光流，有许多问题需要克服。首先，在亮度分布中，我们只能计算图案的运动，而不是孤立的点。这意味着亮度信息必须以某种方式组合在每个点周围的有限空间邻域上，在这里我们要测量运动。当我们试图用一个没有保持足够亮度结构的邻域来测量图像速度的两个分量时，就会出现所谓的孔径问题[26- - - - - -28］．

在这种情况下，我们无法将测量限制为单个解决方案（图1）．增大邻域的尺寸允许我们限制测量，但在大区域内收集信息增加了在运动边界上汇集和结果平滑的可能性，这被称为一般孔径问题[29］．运动算法寻求恢复的光流场是最好的近似投影速度场。然而，利用这些信息来得出关于三维环境的结论是一个困难的过程。

利用光流估计速度场是一个不适定问题，因为有无穷多个速度场可以引起观测到的亮度分布变化。此外，在现实世界中有无数个三维运动可以产生一个特定的速度场。为了利用光流，需要外部知识来了解现实世界中物体的行为，如刚体运动约束。尽管存在这些问题，光流信息是一个丰富的矢量数组，既有局部性质，也有全局性质[30.］．因此，光流场可以受到许多更高层次的解释[31，32］．

Lucas和Kanade方法[33]是一个众所周知的算法，我们应用了模型的原始描述[34，同时添加几个变体以提高硬件实现的生存能力。我们给出了算法的简化格式，如下所示。

卢卡斯和Kanade模型使用梯度技术计算光流[35]利用空间衍生滤波器。该模型随着时间的推移来自基本强度保守（1),，,是序列的坐标。发展表达（1)，则达到表达式(2)， Lucas和Kanade模型假设运动矢量在所研究的附近确实没有改变．考虑误差，使运动约束表达式(2)： 解决；将它们组合在一起，我们得到一个代数系统，表示为(4)，即在中心像素附近的光流的LMS估计．符号表示相应量值的估计量。估计得到的光流量是密集的:

最后的符号是 方程中的子指标是指可分离滤波计算的导数(高斯导数或Gabor函数)。

2．1．1．大津法的直方图分割

OTSU方法[36，37]应用自动阈值，以有效分割图像;该算法基于判别准则优化得到的分类在灰度级的分离函数。我们非常简要地描述所使用的方法:假设每个像素构成一个由灰度级表示的图像，层次上像素的数量用来表示和总像素数．灰度直方图按照概率分布表达式归一化:

假设两个类别中的像素分类和(物体和背景)的阈值水平，其中像素带有层次属于像素和层次属于，类发生的概率和类的意思级别被写为 在这个步骤中，我们准备定义下列关系以供选择和基于一阶统计量的方差(类均值)为

最优阈值最大化是通过使用表示为(6)和(7）

3.系统实现

３．１．患者与MR影像

对患者进行乳房MRI进行不确定乳房X射出乳腺病变。在临床检查后，在标准突出运动中乳房X线照相术（Craniocaudal和倾斜的中间突出线）和超声检查所有患者。仅选择病变分类Birads 3和4在乳房X线照相中。此外，以下至少有1个标准必须存在：不可PABLE病变，以前的手术，具有广泛的瘢痕，以及活组织检查难度的位置（例如，靠近胸壁）。组织学发现在14个和17个病变中的恶性肿瘤。病变大小来自乳房X线摄影图像。平均恶性病变的尺寸为1.2厘米（中位数= 1.0厘米，范围= 0.4-3.5cm）;良性病变的平均尺寸为1.1厘米（中位数= 0.9厘米，范围= 0.3-3.0cm）。

MRI采用1.5 T系统(Magnetom Vision, Siemens, Erlangen, Germany)进行，该系统配有专用表面线圈，可以同时对双乳成像。患者置于俯卧位。横向图像采用STIR(短TI反演恢复)序列(TR = 5600 ms, TE = 60 ms, FA = 90°，TI = 150 ms，矩阵大小为像素，切成4毫米厚)。

然后，采用三维FLASH(快速低角度发射脉冲序列)(TR = 12 ms, TE = 5 ms, FA = 25°)在横向切片方向进行动态T1加权梯度回波序列，矩阵大小为像素和有效切片厚度4毫米。FA (Flip Angle)、STIR (Short Tau Inversion Recovery)、TE (Echo Time)和TR (Pulse Repetition Interval)是MRI模式的缩写。动态研究包括6次测量，间隔83秒。第一帧在注射顺磁造影剂(gadopentetate dimeglumine, 0.1 mmol/kg体重，MagnevistTM, Schering, Berlin, Germany)前获得，随后立即进行其他5项测量。

３.２．系统方案

数字2给出了在嵌入式系统中实现的算法。在第一阶段，估计密集运动，并确定运动范围对应的区域，利用基于直方图的系统进行分割和估值。值得注意的是，该系统是可调节和可配置的，因为分段运动值可以满足诊断需求，这是根据每个个案确定的。这里使用的第一个系统是使用Carma平台设计的[38]来自SECO公司[21集成了一个Nvidia Tegra CPU和3个四核ARM Cortex-A9 CPU。第二个是基于Intel Atom (2x Intel(R) Atom (TM) CPU D510)。在图3.，展示了包含要编程的处理器的原型板。

4.结果

在本节中，结果显示在基于ARM和ATOM的电路板上。首先，我们讨论在两个板的性能(执行时间)的结果，然后评估在拟议的医疗援助系统中获得的可视化结果。我们选择了两种集成了低功耗处理器的系统，这是许多移动设备的基础。此外，我们还根据要计算的具体医疗诊断，测量了对要监控的注意力加窗运动区有多大影响。

正如我们在表格中看到的1和2，表现在秒/幻灯片(乳腺癌刺激是与之对应的大脑功能磁共振成像是)和两种输入刺激的最终功耗均已显示。观察到的结果表明，系统实施在响应时间方面是完全有竞争力的，作为医疗帮助的工具是完全可行的。表格1反映在顺序应用程序（一个处理器原子与单臂）中观察到的执行时间，以及根据使用多个处理器对应于并行性开发的性能（最佳计算时间）而获得的最佳配置。通过任务级并行性执行若干处理器的开发。并行化方案基于通过OpenMP编程范例的可用处理器之间计算工作量的均匀分布。加速度速度达到2.2倍和3.3倍的速度速度更快。对于FMRI脑测试，任务级并行报告几乎没有有益;这一事实受到问题的粒度和缺乏可利用的并行性的动机。考虑的测试中可用的并行度（下和中间范围）使其不适合利用额外的硬件，例如GPU，如Carma板（启动成本，交换信息不会超过可以实现的益处加速器或GPU）。该表还包括两个系统中消费量（峰值能源需求）的比较，因此在全球范围内，我们可以得出结论，基于ARM处理器的移动系统报告更好的性能率，功率要求较少。我们希望强调，属于该系统的每个阶段都设计为可定制的，可缩放和模块化，其中包含该系统属于基于梯度的光流模型的处理方案。 As a conclusion, we can affirm that the platforms considered are feasible to process at high scale motion and segmentation attending to the performance obtained at different scale levels.

从系统有用性和所提供的可视化结果的角度来看，他们还展示了在移动设备中生成的医学分析的一些屏幕截图。数字4展示了一组MRI乳腺癌检查的幻灯片3.．在移动设备上显示的输出图像为清晰识别而上色，即为运动密度高的红色区域。同时图5说明一张幻灯片的运动矢量图;数字6针对运动估计+分割输出图像的缩放，在图像的右上和左上部分，可以识别与不同尺度的可调窗口运动注意区对应的流向量。此外,图7在平板电脑上显示了一系列的大脑图像fMRI测试，其中运动分割使用了Lucas和Kanade和Otsu方法。

5.结论

本工作描述了一种低成本的混合系统的实现，该系统专为移动设备在医疗场景中处理医学图像以辅助医疗诊断和决策而设计。该系统是专门针对乳腺MRI的密集运动估计和分割，可以帮助专家提供快速关注乳腺运动;该平台可作为运动补偿的起点。该技术还可用于远程医疗的医疗诊断。这些算法使用与平板电脑、智能手机等移动设备中使用的相同的处理器实现。

实验结果表明，该算法能够准确地检测和可视化运动伪影。我们目前正在用分层多尺度光流算法改进系统，我们将评估在不同嵌入式gpu上基于接收器工作特性(ROC)实现的运动校正，以便将其导出到移动设备上。

致谢

作者要感谢德国慕尼黑大学临床放射科的Thomas Schlossbauer博士，感谢他为这项研究提供了乳腺MRI图像。这项工作得到了MICINN TIN2008-0508和TIN 2012-32180(西班牙)项目的部分支持。

参考

1. a . m . Baese医学影像的模式识别，elsevier，纽约，纽约，美国，2004年。
2. M. Brammer，《通信:大脑骗局》自然神经科学， 2004年第7卷第1015条。视图:出版商的网站|谷歌学者
3. H. Oh和H. Lee，“基于运动估计搜索区域自适应缩减的块匹配算法”，实时成像，第6卷，第2期5、2000年。视图:谷歌学者
4. C. Huang和Y. Chen，“使用3D可操控滤波器的运动估计方法”，图像及视觉计算，第13卷，第2期1，页21-32,1995。视图:谷歌学者
5. S. Baker和I. Matthews，“Lucas-Kanade 20岁以下：统一框架，”国际计算机视觉杂志第56期3，页221 - 255,2004。视图:出版商的网站|谷歌学者
6. B. McCane, K. Novins, D. Crannitch，和B. Galvin，《关于基准光流》，计算机视觉与图像理解(第84卷)1，页126-143,2001。视图:出版商的网站|谷歌学者
7. h . Liu郭宏源。Hong, M. Herman, T. Camus，和R. Chellappa，《光流算法的准确性与效率的权衡》，计算机视觉与图像理解第72卷第2期3, 1998。视图:谷歌学者
8. J. L. Barron, D. J. Fleet, S. S. Beauchemin，“光流技术的性能”，国际计算机视觉杂志，第12卷，第2期1，第43-77页，1994。视图:出版商的网站|谷歌学者
9. d .密封ARM架构参考手册， Addison-Wesley，波士顿，马萨诸塞州，美国，第二版，2001。
10. http://www.forbes.com/sites/darcytravlos/2013/02/28/arm-holdings-and-qualcomm-the-winners-in-mobile/．
11. http://seekingalpha.com/article/1300481-lilliput-slays-gulliver-arm-vs-intel-and-why-intel-lost-the-war.．
12. J.欧文斯，“GPU建筑概述”第34届计算机图形与交互技术国际会议论文集(SIGGRAPH’07)， 2007年8月，美国加州圣地亚哥。视图:出版商的网站|谷歌学者
13. J. Díaz, E. Ros, F. Pelayo, E. M. Ortigosa, and S. Mota，“基于fpga的实时光流系统”，IEEE视频技术电路和系统汇刊，第16卷，第5期。2，页274-279,2006。视图:出版商的网站|谷歌学者
14. J. Díaz, E. Ros, R. Rodriguez-Gomez，和B. Del Pino，“不同光照条件下鲁棒运动估计的实时体系结构”，通用计算机科学杂志，第13卷，第2期3，pp。363-376,2007。视图:谷歌学者
15. B. K. P. Horn和B. G. Schunck，《测定光流》，人工智能，第十七卷，第二期1-3页，185 - 203,1981。视图:谷歌学者
16. L. Martín, A. Zuloaga, C. Cuadrado, J. Lázaro，和U. Bidarte，“用fpga实现光流约束方程的硬件实现”，计算机视觉与图像理解第98卷第1期3，页462-490,2005。视图:出版商的网站|谷歌学者
17. C. Garcia, G. Botella, F. Ayuso, M. Prieto，和F. Tirado，“基于gpu的生物运动估计模型加速”，并发性和计算:实践和经验，第25卷，第2期8, pp. 1037-1056, 2012。视图:出版商的网站|谷歌学者
18. G. Botella, A. García, M. Rodriguez-Alvarez, E. Ros, U. Meyer-Bäse，和M. C. Molina，“用于光流计算的健壮的生物灵感架构”，IEEE超大规模集成(VLSI)系统汇刊第18卷第2期4，第616-629页，2010。视图:出版商的网站|谷歌学者
19. C. Garcia, G Botella, F. Ayuso, M. Prieto，和F. Tirado，“基于多准则优化的多gpu运动估计系统”，信号处理进展，卷。2013年，2013年第23款。视图:出版商的网站|谷歌学者
20. a . Johnston, P. W. mccowan和C. P. Benton，“从运动知觉的生物动机模型中稳健的速度计算”，英国皇家学会学报B第266期1418页，第509-518页，1999。视图:谷歌学者
21. http://www.seco.com/en/newselem/carma-devkit-now-shipping．
22. A.约翰斯顿和C. W. G.克利福德，《对三种视动错觉的统一描述》，视觉研究第35期8，页1109-1123,1995。视图:出版商的网站|谷歌学者
23. A. Johnston和C. W. G. Clifford，“对比调制光栅的感知运动:多通道梯度模型的预测和全波整流的作用”，视觉研究第35期12，页1771-1783,1995。视图:出版商的网站|谷歌学者
24. P. W. mccowan, C. Benton, J. Dale, and A. Johnston，“运动检测的多差异神经形态学方法”，国际神经系统杂志，第9卷，第5期。5，页429-434,1999。视图:谷歌学者
25. A. Johnston, P. W. mccowan，和C. P. Benton，“从边界上流动的图像运动的生物计算”，巴黎生理学杂志第97卷第1期2-3，页325-334,2003。视图:出版商的网站|谷歌学者
26. H.瓦拉赫(H. Wallach)，《关于感知身份:1。直线运动的方向，在在感知， H. Wallach, Ed.， Quadrangle，纽约，纽约，美国，1976。视图:谷歌学者
27. B. K. P. Horn和B. G. Schunck，《测定光流》，人工智能，第十七卷，第二期1-3页，185 - 203,1981。视图:谷歌学者
28. E. H. Adelson和J. R.·卑尔根“的时尚能源模型是对运动的看法”，美国光学学会学报，第2卷，第2期2，页284-299,1985。视图:谷歌学者
29. E. P. Ong和M. Spann，“基于最小二乘中位数回归的稳健光流计算”，国际计算机视觉杂志第31卷第1期1，第51-82页，1999。视图:出版商的网站|谷歌学者
30. J. J. Koenderink，《光流》，视觉研究第26卷第2期1，页161-180,1986。视图:出版商的网站|谷歌学者
31. K. Nakayama，《生物图像运动处理:综述》，视觉研究，第25卷，第2期5，第625-660页，1985。视图:出版商的网站|谷歌学者
32. A. Mitiche, Y. F. Wang, J. K. Aggarwal，“基于梯度的多约束方法计算光流的实验”，模式识别，第20卷，第2期。2，第173-179页，1987。视图:谷歌学者
33. S. Baker和I. Matthews，“Lucas-Kanade 20岁以下：统一框架，”国际计算机视觉杂志第56期3，页221 - 255,2004。视图:出版商的网站|谷歌学者
34. B. D. Lucas和T. Kanade，“一种迭代图像配准技术在立体视觉中的应用”美国国防部高级研究计划局图像理解研讨会论文集， 121-130页，1981年4月。视图:谷歌学者
35. a . Bainbridge-Smith和R. G. Lane，“用微分法确定光流”，图像及视觉计算，第15卷，第5期。1，第11-22页，1997。视图:谷歌学者
36. N. Otsu，“灰度直方图中的阈值选择方法”，IEEE系统、人与控制论汇刊，第9卷，第5期。1，第62-66页，1979。视图:谷歌学者
37. Jun Z.和Jinglu H.，“基于直方图分析的2D Otsu方法的图像分割”，发表于计算机科学与软件工程国际会议论文集(CSSE’08)，页105-108，中国武汉，2008年12月。视图:出版商的网站|谷歌学者
38. http://www.seco.com．

版权

版权所有©2013 Carlos García Sánchez等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。