当前位置：首页 > 医疗电子 > 医疗电子

适用于实时医疗成像的裸眼立体成像系统

时间：2010-11-15 18:27:14

关键字：医疗成像成像系统 GPU BSP

手机看文章

扫描二维码
随时随地手机看文章

[导读]　　Integral Videography（IV）原理示意图　　　　图字：计算机内部处理 calculation of IV element image IV像素图计算 Voxel data 三维数据 virtual lens array 虚拟透镜阵列　　Flat display 平面显示屏　　Spac

　　Integral Videography（IV）原理示意图

　　图字：计算机内部处理 calculation of IV element image IV像素图计算 Voxel data 三维数据 virtual lens array 虚拟透镜阵列

　　Flat display 平面显示屏

　　Space image formation：空间立体图像构成

　　Micro convex lens array：微型透镜阵列 observer：观察者

　　解决方案

　　远距离观察IV图像的示例。在显示屏前两米的位置形成非常逼真、立体的黄色竹竿图像，看上去就像是被握在手中。即便在观察者移动时，图像依然保持“被握在手中”的可见状态。要创建高解析度、立体的图像，就要使用体绘制之类的处理方法，但需要极高的计算能力。

　　效果

　　使用CUDA的IV系统

　　“我们为并行计算评估了多种开发环境，”负责CUDA实现的研究人员Herlambang这样说，“最终选择了CUDA，因为它使我们能够使用熟悉的C语言语法进行开发。

　　在成像技术中，一个非常有趣的领域就是裸眼立体成像技术，它无需特殊眼镜就能显示三维立体图像。这种有趣的技术不仅有着娱乐方面的应用潜力，也可作为多种专业应用程序的实用技术。东京大学信息科学与技术研究生院机械信息系的Takeyoshi Dohi教授与他的同事研究了NVDIA的CUDA™并行计算平台之后认为，医疗成像是这种平台非常有前途的应用领域之一。

1 2

　　自2000年以来，这所大学的研究小组已经开发出一种系统，通过CT或MRI扫描实时获得的活体截面图被视为体纹理，这种系统不仅能够通过体绘制再现为三维图像，还可作为立体视频显示，供IV系统使用。

　　该系统为实时、立体、活体成像带来了革命性的变化。但是，它的计算量极其庞大，仅体绘制本身就会带来极高的处理工作量，况且此后还需要进一步处理来实现立体成像。对于每一个图像帧，都有众多角度需同时显示。将此乘以视频中的帧数，您会看到令人震惊的庞大计算数量，且必须在很短的时间内高度精确地完成这样的计算。

　　在2001年的研究中，使用了一台Pentium III 800 MHz PC来处理一些512 x 512解析度的图片，实时体绘制和立体再现要花费10秒钟以上的时间才能生成一帧。为了加速处理，研究小组尝试使用配备60块CPU的UltraSPARC III 900 MHz机器，这是当时性能最高的计算机。但可以得到的最佳结果也不过是每秒钟五帧。从实用的角度考虑，这样的速度还不够快。

　　解决方案

　　体绘制和随后转换为IV格式都需要进行数据平行矢量计算。为此，最佳计算范式是GPU。相应地，Liao和Herlambang 着手研究使用CUDA实现GPU，这是来自NVIDIA的通用C语言GPU开发环境。

　　首先，研究人员使用最新一代的GPU GeForce® 8800 GTX开发了一个原型系统。在使用CUDA的GPU上运行2001年研究所用的数据集时，性能提升到每秒13至14帧。UltraSPARC系统的成本高达数千万日元，是GPU的上百倍，而GPU却交付了几乎等同于其三倍的性能，研究人员为此感到十分惊讶。不仅如此，根据小组的研究，NVIDIA的GPU比最新的多核CPU至少要快70倍。另外，测试显示，对于较大规模的体纹理数据，GPU的性能更为突出。

　　目前，这支研究小组正运用NVDIA最新的桌面端超级计算机Tesla™ D870，针对使用CUDA的Tesla优化目前的IV系统。这一举措有望使性能获得更大幅度的提升。

　　效果

　　此外，我们还可以在不必修改已开发系统的前提下利用速度更快的新生代GPU。如果某种环境使得调试大型CUDA程序成为可能，CUDA必将成为一种更强大的并行计算开发环境，我们希望它在医疗成像处理领域中得到更广泛的应用。”

　　如果能够以立体方式实时查看来自CT和MRI的图像，医生就能够检查病患组织的状态并做出诊断，而无需活体检查和外科处理。此外，某些医生可以同时查看此类图像，彼此沟通。这使部分医生能够同时进行关节镜手术和其他微创型外科技术，而每名外科医生都能实时观察手术过程。

　　将庞大的并行计算阵列引入临床设备非常困难，但GPU和Tesla的强大计算能力使得提供紧凑的并行计算模块成为可能。

1 2