并行计算在医疗成像应用

---

目前在一个并行计算的应用迅速增长的兴趣在各种医疗成像和图像处理领域。预计这种趋势将继续增长作为更复杂和挑战性的医学成像，图像处理，和高阶数据可视化的问题正在被解决。在计算工具的持续成本下降和其广泛的无障碍发挥中心角色。鉴于其短暂的历史，这方面仍然没有一个明确的科学学科。对于这个特殊问题的选题和论文流下更多的光线在这个不断扩大的领域和它在加速医疗成像应用潜力的各个方面。

这期特刊包含11篇论文，涵盖了各种成像模式，包括MRI、CT、x射线、US和光学层析成像。这些论文展示了并行计算在医学成像和可视化中的广泛应用潜力，包括图像重建、图像去噪、运动估计、形变配准、扩散全形映射和建模。

在题为“CUDA的加速的测地光线追踪对纤维跟踪，” E.面包车阿特等。呈现为脑纤维跟踪加速算法。非侵入性的弥散加权成像，随后通过重构脑纤维结构提供以检查大脑内的复杂的结构在微观水平上的独特方式。然而，这些方法是计算昂贵。该算法利用了图形处理单元与所述CUDA平台组合到由系数高达40倍基本上加速纤维跟踪的执行时间相比较多线程CPU实现的并行结构。

在题为“在gpu上使用粒子网格近似的高效概率和几何解剖映射，” L Ha等人。开发了大脑映射的数据集一个新的三维形变配准算法。这个问题通常涉及的计算时间显著量，从而成为不可能的实际用途。所提出的配准方法产生表示为多室模型的解剖结构之间的映射。使用上的图形处理单元（GPU）粒子网格近似的算法的实现达到加快的幅度的三个数量相比，CPU参考实现，使得可以使用该技术在时间关键的应用程序。

在题为“x射线图像中椎体检测与分割的异构计算，” F. Lecron等。解决常规主动形状模型的低计算效率（ACM）算法和利用当ACM被在并行计算体系结构来实现所取得的电压加速度。本文展示了一个全球加速从3至22中，与CPU执行比较。

在题为“对细胞加速器映射迭代医疗成像算法，“M. Xu和P. Thulasiraman研究了并行计算在加速图像代数重建技术方面的潜力，这种技术在一个应用中可能有利于CT机器上的图像重建。作者高效地将优化算法映射到cell宽带引擎(BE)上，以获得比CPU版本更高的性能。与Sun Fire x4600(共享内存机器)上的性能相比，cell BE上的实现要快5倍。

在题为“GPU加速对扩散光学层析成像建模光传输有限元法，” M. Schweiger的引入了光传输的在散射介质中的计算的GPU加速有限元求解器。解决方案呈现两个时域和频域的问题。与图形加速溶液的基于CPU的执行节目显著的性能提升，具有大约一的10和20为双链和单精度计算，分别因子改进比较。

在MRI重建领域，这篇论文的题目是高性能3D压缩感知MRI重建使用多核心架构，”由D. Kim等人，考察不同面向吞吐量的体系结构可以如何有利于压缩感知（CS）MRI重建算法和加速度的水平在不同的现代平台是可行的。作者表明，在GPU上运行的基于CUDA的代码可以从尽可能快12秒的8信道获取，这是对现有技术的状态的显著改善重建256×160×80的体积。这一成果可能会潜在地带来CS方法甚至更接近临床可行性。

在题为“真正的四维图像去噪在GPU上，a . Eklund等人展示了在GPU上实现四维去噪算法。该算法应用于分辨率为512×512×445×20的4D CT心脏数据集。结果是GPU可以在8分钟内完成去噪。相反，CPU实现需要大约50分钟。较短的处理时间显著提高了真实4D图像去噪的临床价值。

在模拟和幻像建模领域，论文题目为“使用全身多通道LDDMM的患者特异性剂量测定幽灵，D. J. Tward等人描述了一种加速的自动化程序，用于从儿童CT扫描的一小组分节器官中创建详细的、特定于患者的儿童剂量测定幻影。该算法涉及到从成人模板到儿童图像的全身映射，使用多通道大变形的同构度量映射和并行实现。以24名男性和18名女性儿童患者为研究对象，验证了该算法的性能。不同患者的运行时间从单个处理器上的30小时到24个处理器上的1小时不等。

在题为“多核处理器生物医学成像中扩散模型的数值解L. D 'Amore等人解决了扩散/平流型非线性偏微分方程(PDEs)的解，这是图像分析中最基本的问题。本文以医学结构的分割为例，对半隐式和全隐式离散格式产生的数值算法进行了比较研究。比较标准同时考虑了算法的准确性和效率，包括收敛性、执行时间和并行效率。该分析是在一个基于多核的并行计算环境中进行的。

在题为“在GPU上的用于医学图像的序列有效运动估计的使用量，J. Thiyagalingam等人研究了一种增强的运动估计算法到新型GPU架构的映射。利用三维超声图像序列数据库，作者表明，该映射带来了实质性的性能提高，高达60倍，可以提供近乎实时的性能。本文还展示了这些设备的架构特性如何在算法的好处中得到最好的利用，特别是如何解决与它们的访问模式和不同的内存配置相关的挑战。本文进一步评估了该算法在三种不同GPU架构上的性能，并对结果进行了综合分析。

在题为“快速随机排列测试能够客观评价单一受试者fMRI分析的方法”由A. Eklund的等，它表明如何成本效益的GPU的计算能力可以被用来加快随机置换试验。这些测试通常涉及fMRI数据分析在大脑中活跃的哪些领域。然而，随着处理时间从几小时到几天的计算负担使他们不切实际的单科功能磁共振成像分析日常使用。上GPU A测试10000名的排列需要不到一分钟，使得在功能磁共振成像检测手段先进实际可行的统计分析。为了举例说明基于置换的方法，由一般线性模型（GLM）和典型相关分析（CCA）产生的大脑活动映射在相同的显着性水平进行比较。

致谢

我们要感谢作者为自己对这一问题做出的卓越贡献。非常感谢是由于所有的测评。如果没有他们的建设性的意见和及时的反应，这个问题不可能出来。

亚西尔·M. Kadah
哈立德z Abd-Elmoniem
阿里A.法拉格

版权

Yasser M. Kadah等人版权所有这是一篇开放获取的文章创作共用署名许可允许在任何媒介上不受限制地使用、分发和复制，只要正确地引用了原文。