基于选择性TpV正则化的DBT重建算法

针对数字乳腺断层合成摄影(digital breast tomosynthesis,DBT)为有限角度的低剂量重建问题,提出了一种基于选择性TpV(total pvariation,TpV)正则化的重建算法。采用两相式重建策略,对DBT投影数据进行联合代数重建(simultaneous algebra reconstruction technique,SART),获得满足数据一致性以及非负性约束的图像,采用选择性TpV正则项作为约束条件更新图像,抑制图像噪声,锐化图像边缘特性,两相交替进行,直到满足收敛准则。应用该算法对数字仿真乳腺体模进行重建,实验结果表明,与SART算法、SART-TpV算法相比,该算法不仅平滑了图像噪声,而且保留了图像的边缘特性,尤其实现了微小钙化的清晰显像。     

螺旋锥束CT图像同时代数重建的机群并行化

在CT（Computed Tomography）图像重建领域,当投影数据含有噪声或者不完备时,与Feldkamp算法相比,同时代数重建方法（Simultaneous Algebraic Reconstruction Technique,SART）能重建出更高质量的三维图像。但三维SART方法非常耗时,为了减少SART的运行时间,利用工作站机群（Cluster of Workstations,COWs）进行并行加速是一种重要的方法。针对螺旋锥束扫描,对基于体数据划分的并行算法进行了改进。并在安装了MPICH 1.2.5的工作站机群上进行了实验。实验结果表明,该方法达到了和串行算法一样的重建效果,并且减少了重建时间。     

CT有限角度算法的比较研究

在医学临床中,C形臂X射线机的应用愈来愈广泛。由于C臂机自身的特点,且所检测物体的密度及形状存在较大差异,使得其在有限角度下所获得的投影图像断截,投影数据不完全。本文主要分析在有限角度下CT图像最优准则重建的算法。通过对迭代重建算法ART、SART以及TV-SART的比较,得知在有限角为90°的情况下,TV-SART的重建图像更为清晰,更接近原始图像,从而为基于C形臂CT的成像系统的实现提供可靠的理论支撑。     

锥束CT的惩罚SART重建算法

联合代数迭代方法（SART）对重建图像空间是无约束的,其迭代到一定次数后,图像空间的噪声会不断增加。为了解决这一问题,针对三维锥束CT情况,研究了一种增加惩罚项的联合代数迭代算法,同时研究了该算法与有序子集结合的方法。计算机仿真试验表明：在锥束CT图像重建中,该方法能够在抑制噪声的同时提高重建图像的收敛速度。     

次梯度投影算子求解图像重建问题的并行策略

将次梯度投影迭代算法应用到数字图像重建问题。将图像重建问题转化为求一个加权最小二乘问题,导出次梯度投影算子在该问题下的具体迭代形式,并采用并行计算策略重建算法。通过三维数值实验对比次梯度投影迭代算法与常用的SART算法,验证算法的可行性和效率。     

序列图像的非局部均值超分辨率重建算法及GPU实现

针对序列图像超分辨率重建非局部均值(Non-Local Means, NLM)算法重建结果图像边缘区域过平滑的问题,提出了一种局部参数自适应改进方法,首先将整幅图像划分为图像子块,然后根据图像子块平均像素信息计算出其对应的滤波参数, 这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明,和经典NLM重构算法相比,改进算法重建出的结果图像的轮廓边缘更清晰,字符辨识度更高;在算法实现方面,图像重构程序在CPU/GPU平台上实现,使用GPU并行化加速的程序比单CPU运算的程序,加速比最高可达到30倍,显著缩短重构程序计算时间,提高了该图像超分辨率重建算法应用于实际场所的可能性。     

基于HMRF的自适应超分辨率图像重建算法

在MAP超分辨率图像重建算法中,用Huber-Markov随机场(HMRF)作为图像的先验模型相比于Gaussian-Markov随机场(GMRF)能够更好地保护图像的边缘和细节.在以往的研究中,对于如何选取Huber函数的阈值参数T并没有一个很好的方法.本文提出了一种自适应的MAP超分辨率重建算法,该算法可以自动确定参数T,并根据重建的中间结果,不断对其进行更新,通过迭带最终得到重建图像.实验结果表明,该方法实现了参数的自动选取,在得到期望的高分辨率图像的同时,有效地保护了图像的边缘信息和细节.     

代数迭代图像重建算法的研究

对计算机断层扫描成像(Industrial Computed Tomography)的代数迭代(Algorithm Reconstruction Technique--ART)图像重建算法进行了研究.为了提高图像质量,解决普通迭代法重建图像所产生的"盐和胡椒"现象,提出了新的代数迭代重建算法.该算法改进了已有的迭代过程,加入了新的迭代参数--收敛因子,通过改变迭代进程和调整收敛因子来提高图像的质量.在计算机上成功地实现了从数据采集仿真到图像重建的全过程,证明了ART算法可以有效地提高重建图像的质量.     

体层合成的各向异性扩散滤波重建算法

为消除体层合成(tomosynthesis)重建图像中存在的切片间伪影,提出一种各向异性扩散滤波器的图像重建算法。利用偏微分方程的图像处理方法,设计边缘增强型三维各向异性扩散滤波器,对体层合成切片进行滤波重建,保证重建切片图像对比度的同时对切片间伪影进行平滑。实验结果表明,与传统的滤波后投影重建算法相比,该算法可明显减弱切片间伪影,改善了重建图像质量,提高了体层合成重建图像中目标可见度,满足了临床影像诊断要求。     

利用MATLAB实现二维图像傅立叶变换算法

Matlab语言环境下的算法实现,比在其它语言（如C语言）环境下的算法实现更简便、更快速、设计质量也更高。平行投影的傅立叶变换算法是图像重建中最基本的一种算法,也是其它算法的基础,通过用Matlab编程,完成傅立叶变换算法,实现二维图像重建。     

Estimating the efficiency of the simultaneous algebraic reconstruction technique (SART), Bayesian inference reconstruction (BIR), and traditional shift-and-add (SAA) tomosynthesis using medical phantoms

New parallel iteration algorithms that provide real-time reconstruction of the 3D breast images restored from an incomplete set of noisy mammograms are studied. The simultaneous algebraic reconstruction technique (SART) and Bayesian inference reconstruction (BIR) are considered as advantageous iteration methods that are most suitable for improving the quality of the reconstructed 3D images. The graphics processing unit (GPU) is used to accelerate the reconstruction. The minimization of total variation (TV) is used as a priori support for the regularization of the iteration process and decrease of the noise level in the reconstructed images. Preliminary results for medical physical phantoms show that all the methods are sufficient for the layer-by-layer reconstruction of medical model objects and separation of layers whose images are overlapped on a mammogram that corresponds to vertical transmission (direction along the OZ axis). The traditional shift-and-add (SAA) tomosynthesis is established to be less efficient than SART and BIR in terms of the anatomical-noise reduction and blurring of reconstructed 3D images between conjugate layers. Despite the fact that the estimated contrast-noise ratio, given internal structures with low contrast, is higher for SAA as compared to SART and BIR, its efficiency is very low given the highly structured background. In our opinion, optimal results can be achieved using BIR.     

基于CUDA的SKINNY加密算法并行实现与分析

针对SKINNY加密算法在中央处理器（CPU）下实现效率偏低的问题,提出一种基于图形处理器（GPU）的快速实现方法。首先,结合SKINNY算法的结构特征提出优化方案,将5个分步操作优化整合为1个整体运算;然后,分析该算法的电子密码本（ECB）模式和计数器（CTR）模式的特性,并给出并行粒度、内存分配等并行设计方案。实验结果表明,与传统的CPU实现方法下的SKINNY算法相比,基于计算统一设备架构（CUDA）实现的SKINNY算法的效率和吞吐量得到很大提升。具体来说,当处理的数据达到16 MB及以上时,在所提实现方法下,SKINNY算法的ECB模式的加速效率提升峰值为99.85%,加速比峰值为671,CTR模式的加速效率提升峰值为99.87%,加速比峰值为765;而与已有AES-256（ECB）和SKINNY_ECB并行算法比较,新提出的SKINNY-256（ECB）并行算法的吞吐量分别是它们的吞吐量的1.29倍和2.55倍。     

Unsupervised image segmentation using a simple MRF model with a new implementation scheme

A simple Markov random field model with a new implementation scheme is proposed for unsupervised image segmentation based on image features. The traditional two-component MRF model for segmentation requires training data to estimate necessary model parameters and is thus unsuitable for unsupervised segmentation. The new implementation scheme solves this problem by introducing a function-based weighting parameter between the two components. Using this method, the simple MRF model is able to automatically estimate model parameters and produce accurate unsupervised segmentation results. Experiments demonstrate that the proposed algorithm is able to segment various types of images (gray scale, color, texture) and achieves an improvement over the traditional method.     

基于小波变换的图像压缩并行结构

本文结合小波图像压缩算法和VLSI并行处理的要求，提出了一种心动阵列与通用处理器组合的并行处理结构，具有易于VLSI实现、支持多种编码方案的优点，并在并行软件环境PVM上模拟其工作过程，证明该设计是可行的．     

Dynamic meshing for deformable image registration

Finite element method (FEM) is commonly used for deformable image registration. However, there is no existing literature studying how the superimposed mesh structure would influence the image registration process. We study this problem in this paper, and propose a dynamic meshing strategy to generate mesh structure for image registration. To construct such a dynamic mesh during image registration, three steps are performed. Firstly, a density field that measures the importance of a pixel/voxel’s displacement to the registration process is computed. Secondly, an efficient contraction–optimization scheme is applied to compute a discrete Centroidal Voronoi Tessellation of the density field. Thirdly, the final mesh structure is constructed by its dual triangulation, with some post-processing to preserve the image boundary. In each iteration of the deformable image registration, the mesh structure is efficiently updated with GPU-based parallel implementation. We conduct experiments of the new dynamic mesh-guided registration framework on both synthetic and real medical images, and compare our results with the other state-of-the-art FEM-based image registration methods.     

并行时空处理模型下的快速N-body算法

图形处理器(graphic processing unit,GPU)的最新发展已经能够以低廉的成本提供高性能的通用计算。基于GPU的CUDA(compute unified device architecture)和OpenCL(open computing language)编程模型为程序员提供了充足的类似于C语言的应用程序接口(application programming interface,API),便于程序员发挥GPU的并行计算能力。采用图形硬件进行加速计算,通过一种新的GPU处理模型——并行时间空间模型,对现有GPU上的N-body实现进行了分析,从而提出了一种新的GPU上快速仿真N-body问题的算法,并在AMD的HD Radeon 5850上进行了实现。实验结果表明,相对于CPU上的实现,获得了400倍左右的加速;相对于已有GPU上的实现,也获得了2至5倍的加速。     

基于申威众核处理器的HOG特征提取算法并行加速

HOG特征是一种简单高效的常用来进行物体检测的特征描述子,广泛应用于行人检测等领域,然而在处理海量图片时却面临着严峻的性能挑战。解决方法之一就是通过使用"神威太湖之光"超级计算机的处理器节点对海量图像背景下的行人检测算法进行加速。主要采用了两种并行方案:一种是一个处理器同时处理4张图片,另一种是同时处理256张图片。大量的串行和并行处理的实验测试结果表明,对高分辨率多幅图像的并行处理可采用第一种方案,加速比可达83倍;对低分辨率图像可采用第二种方案,加速比最高可达到95。两种并行设计方案在"神威太湖之光"的多处理器节点上具有很好的可扩展性能。     

基于CUDA的2D-3D配准技术的研究

Nvidia从GeForce8系列开始,在显卡上推出统一计算设备框架技术,使GPU的通用计算（GPGPU）从图形硬件流水线和高级绘制语言中解放出来,开发人员无须掌握图形学编程方法即可在单任务多数据模式（SIMD）下完成高性能并行计算。在医学图像分析中,图像配准通常是一个耗时的过程,不利于临床应用,为了加速医学图像的2D-3D配准过程,研究了CUDA的设计思想和编程方式,提出了一种基于CUDA并行编程模型的加速配准新技术,在构建的虚拟X线摄像系统下,采用并行计算的方式快速生成高质量DRR图像,以对应像素的灰度值残差作为相似性测度,使用Powell优化方法寻找最优变换。实验结果表明,该技术既很好地保持了配准精度,同时又大大提高了配准速度,加速比达到了十几甚至几十倍。     

面向PMVS算法的自动两级并行翻译方法

当使用高分辨率的图像作为图像处理算法的输入时会降低算法运行速度,将算法并行化可提升执行效率,但手动将串行程序转换为并行程序则较为繁琐,并且现有自动并行翻译工具性能不稳定,同时翻译后的程序是单一并行模式。面向基于面片的三维多视角立体视觉(PMVS)算法,提出一种从C到CUDA的自动两级并行翻译方法。使用ANTLR自动解析源C代码,通过分析数据依赖关系和循环数组私有化来识别可并行化的循环结构,将算法翻译成CPU多线程和GPU两级并行结构的代码。在算法执行过程中,将输入图像在CPU和GPU上分别进行处理,降低了算法总执行时间。实验结果表明,该方法的计算加速比随着输入图像分辨率的增加逐渐提高,最高约达到32,相比于PPCG和OpenACC自动并行翻译方法提升明显。