專利名稱：一種基于gpu多核并行處理的pet圖像重建方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機圖像處理技術(shù)領(lǐng)域，具體涉及ー種基于GPU(圖形處理器)多核并行處理的PET圖像重建方法。
背景技術(shù)：
正電子斷層成像PET (Positron Emission Tomography),是一種核醫(yī)學功能成像技木。與CT成像不同，PET為功能成像，能得到病人體內(nèi)新陳代謝的情況，從而可以比CT、MRI更早地探測出病灶。經(jīng)過同位素標記的藥物在病人體內(nèi)擴散的過程中，同位素不斷衰變而產(chǎn)生正電子(e+)。正電子與周圍的負電子(e_)發(fā)生湮滅后，將發(fā)出ー對光子。這對光子能夠穿透人體組織發(fā)射到體外，從而被光電探測器探測到。通過探測這對光子，就可以得到一條符合線 (LOR)。將若干個探測器排列在病人周圍，可以接收發(fā)自病人體內(nèi)的光子，從而得到一系列符合線。這些符合線和體內(nèi)同位素標記的藥物的位置有一定的關(guān)系，依據(jù)這些符合線，就可以重建出病人體內(nèi)藥物的濃度分布圖，即PET圖像。兩個毫不相關(guān)的光子如果在同一時間窗內(nèi)被一對探測器探測到，那探測系統(tǒng)將認為這是由一對正負電子湮滅產(chǎn)生的，將它們的連線記錄為符合線，這樣的記錄是假事件，在PET成像中稱為隨機符合事件。由于以上原因以及病人體內(nèi)的干擾，PET采集到的數(shù)據(jù)包含許多噪聲，這些噪聲直接影響重建后的圖像質(zhì)量。所以，重建算法的魯棒性(Robust)決定了 PET圖像的質(zhì)量，這也是為什么重建算法成為現(xiàn)今PET領(lǐng)域的研究熱點。目前PET重建的方法大致可以分為解析法、迭代法和狀態(tài)空間法三種解析法是以濾波反投影算法(FBP)為代表的ー種方法，該算法是基于傅立葉變換來實現(xiàn)由投影數(shù)據(jù)得到原始數(shù)據(jù)。但是該算法假設的理想模型并不十分符合PET掃描的真實情況，加之該算法對噪聲的抑制能力差，導致濾波反投影算法得到的圖像偽影很重，質(zhì)量很差。迭代法中以ML-EM (Maximum Likelihood-Expectation Maximum)和 MAP (Maximuma Posteriori)算法較為典型。ML-EM算法根據(jù)最大似然估計原理,將病人體素(Voxel)濃度作為待估計值、建立似然函數(shù)、求得滿足一定條件的極大值。MAP算法根據(jù)原始數(shù)據(jù)和PET的統(tǒng)計特性建立后驗函數(shù)再求其最大值，從而得到體素濃度分布。迭代算法大部分依賴于數(shù)據(jù)的統(tǒng)計模型，除了統(tǒng)計特性，決定PET圖像的還有生理先驗、結(jié)構(gòu)先驗等信息，而這些信息在統(tǒng)計迭代算法中并不能有效地被利用，這也是ML-EM和MAP的巨大缺陷。狀態(tài)空間法能夠?qū)ET成像的過程模型化，使其物理過程得到數(shù)學的表達，通過狀態(tài)空間，能很好地把PET掃描中的統(tǒng)計特性、生理特性和結(jié)構(gòu)特性結(jié)合起來，從而達到改進重建質(zhì)量的目的。目前現(xiàn)有的狀態(tài)空間求解方法為卡爾曼濾波，該方法假設數(shù)據(jù)分布符合高斯分布，這與PET數(shù)據(jù)的統(tǒng)計特性不符，所以重建得到的PET圖像效果不是很理想，這也是目前困擾著狀態(tài)空間方法的問題之ー。由于PET掃面得到的數(shù)據(jù)量大，重建算法復雜，導致重建所花的時間過長，這與臨床需求相違背；而傳統(tǒng)利用CPU串行計算也會花費相當長的時間，且需要CPU具有超強的計算性能，計算成本很高，故并不能在商業(yè)應用領(lǐng)域普及。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)所存在的上述技術(shù)缺陷，本發(fā)明提供了一種基于GPU多核并行處理的PET圖像重建方法，在保證PET圖像重建質(zhì)量的前提下，大大提升重建的速度。一種基于GPU多核并行處理的PET圖像重建方法，包括如下步驟(I)根據(jù)體素值的概率分布區(qū)間，利用線性平均采樣法對PET圖像中的每一體素進行粒子采樣，獲得體素的每一粒子濃度值；所述的線性平均采樣法是通過對體素值的概率分布區(qū)間進行(S-I)等分，得到s個節(jié)點值，每個節(jié)點值即對應為任一體素的每一粒子濃度值，s為粒子采樣個數(shù)；(2)根據(jù)采集獲取到的符合計數(shù)向量，利用FBP法求得體素的先驗濃度值；根據(jù)體素的先驗濃度值和粒子濃度值，利用GPU多核并行處理技術(shù)通過粒子權(quán)重估計算法求得體素每一粒子濃度值對應的粒子權(quán)重值；(3)利用GPU多核并行處理技術(shù)對所述的粒子濃度值及其粒子權(quán)重值進行重采樣，得到重采樣后的粒子濃度值及其粒子權(quán)重值；(4)返回步驟(2)，并使重采樣后的粒子濃度值作為步驟(2)中的粒子濃度值，依此循環(huán)直至重采樣后的粒子濃度值收斂，將收斂時重采樣后的粒子濃度值及其粒子權(quán)重值作為粒子濃度真值及其粒子權(quán)重真值；(5)根據(jù)所述的粒子濃度真值及其粒子權(quán)重真值，利用GPU多核并行處理技術(shù)求取PET圖像中每一體素的體素值。所述的粒子權(quán)重估計算法基于以下方程表達式
權(quán)利要求
1.一種基于GPU多核并行處理的PET圖像重建方法，包括如下步驟 (1)根據(jù)體素值的概率分布區(qū)間，利用線性平均采樣法對PET圖像中的每一體素進行粒子采樣，獲得體素的每一粒子濃度值； (2)根據(jù)采集獲取到的符合計數(shù)向量，利用FBP法求得體素的先驗濃度值；根據(jù)體素的先驗濃度值和粒子濃度值，利用GPU多核并行處理技術(shù)通過粒子權(quán)重估計算法求得體素每一粒子濃度值對應的粒子權(quán)重值； (3)利用GPU多核并行處理技術(shù)對所述的粒子濃度值及其粒子權(quán)重值進行重采樣，得到重采樣后的粒子濃度值及其粒子權(quán)重值； (4)返回步驟(2)，并使重采樣后的粒子濃度值作為步驟(2)中的粒子濃度值，依此循環(huán)直至重采樣后的粒子濃度值收斂，將收斂時重采樣后的粒子濃度值及其粒子權(quán)重值作為粒子濃度真值及其粒子權(quán)重真值； (5)根據(jù)所述的粒子濃度真值及其粒子權(quán)重真值，利用GPU多核并行處理技術(shù)求取PET圖像中每一體素的體素值。
2.根據(jù)權(quán)利要求I所述的基于GPU多核并行處理的PET圖像重建方法，其特征在于所述的線性平均采樣法是通過對體素值的概率分布區(qū)間進行s-1等分，得到s個節(jié)點值，每個節(jié)點值即對應為任一體素的每一粒子濃度值，s為粒子采樣個數(shù)。
3.根據(jù)權(quán)利要求I所述的基于GPU多核并行處理的PET圖像重建方法，其特征在于所述的粒子權(quán)重估計算法基于以下方程表達式 · .、 xI U ΣχΙΛ P(j, O = r i=l--- - ηΤΓ /I￡ D0;/)xi=1 Σ4Λ /=1 mm ' “ I j I=Σ {ji Iχ 尸()}—Σ ^ l j)x )i/i|i ° II ° I 其中x[j]為PET圖像中第j體素的先驗濃度值，y[i]為符合計數(shù)向量中的第i符合計數(shù)；D(i, j)為系統(tǒng)矩陣中第i行第j列的元素值；x(k) [j]為PET圖像中第j體素的第k粒子濃度值，w(k) [j]為X(k) [j]對應的粒子權(quán)重值；i、j和k均為自然數(shù)，且I彡i彡m，I彡j彡n，I彡k彡s，m為符合計數(shù)向量的維度，η為PET圖像的體素個數(shù)。
4.根據(jù)權(quán)利要求I所述的基于GPU多核并行處理的PET圖像重建方法，其特征在于所述的步驟(5)中，通過以下方程表達式求取PET圖像中每一體素的體素值 ..V χ U] = Σνχ- _I Λ=1 其中X(/[j]為PET圖像中第j體素的第k粒子濃度真值，w(/[j]為x(/[j]對應的粒子權(quán)重真值，x*[j]為PET圖像中第j體素的體素值。
5.根據(jù)權(quán)利要求I所述的基于GPU多核并行處理的PET圖像重建方法，其特征在于所述的GPU多核并行處理技術(shù)的計算處理策略如下 對于向量與標量的乘法或除法，將該計算量映射到個數(shù)與向量維數(shù)相等的多個內(nèi)核中，每個內(nèi)核完成對應向量元素與標量相乘或相除； 對于矩陣與向量的乘法，將該計算量映射到個數(shù)與矩陣維數(shù)相等的多個內(nèi)核中，每個內(nèi)核完成對應矩陣元素與其相對應的向量元素相乘，然后對所得到的矩陣的各行再求和；對于矩陣與標量的乘法或除法，將該計算量映射到個數(shù)與矩陣維數(shù)相等的多個內(nèi)核中，每個內(nèi)核完成對應矩陣元素與標量相乘或相除； 對于其余公式的代入計算，則使一個內(nèi)核對應負責一個公式不同數(shù)據(jù)的計算。
全文摘要
本發(fā)明公開了一種基于GPU多核并行處理的PET圖像重建方法，包括(1)對體素進行粒子采樣；(2)多核并行求取粒子權(quán)重；(3)對粒子進行重采樣；(4)求取粒子濃度真值及其權(quán)重真值；(5)計算每一體素的體素值。本發(fā)明通過利用粒子濾波算法，將PET中噪聲的數(shù)據(jù)模型定為泊松分布而非高斯分布，更符合PET掃描的真實情況，從而使得重建過程中對噪聲的過濾和優(yōu)化更加有效，得到的重建結(jié)果比ML-EM等傳統(tǒng)重建方法更接近PET真實情況；同時利用GPU多核并行處理技術(shù)對重建過程進行加速，將原本需要依次執(zhí)行的計算轉(zhuǎn)換成同時并行計算的模式，大大地縮短了計算的時間，使得PET圖像重建方法能夠適合于臨床應用要求。
文檔編號A61B6/03GK102831627SQ20121021376
公開日2012年12月19日 申請日期2012年6月27日 優(yōu)先權(quán)日2012年6月27日
發(fā)明者劉華鋒, 余風潮 申請人:浙江大學