Resumen de Optimización en gpu de algoritmos para la mejora del realce y segmentación en imágenes hepáticas
1. Introducción o motivación de la tesis La presente tesis doctoral está enfocada a la aceleración de algoritmos dedicados a la segmentación y realce de imágenes médicas de hígado con el propósito de encontrar nuevas posibilidades en la cirugía guiada por imágenes (image-guided surgery - IGS). Gracias a la IGS se consigue proporcionar a los cirujanos herramientas avanzadas de navegación durante la cirugía. La segmentación de imágenes es una de las tareas que demandan más computación, ésta depende de etapas de preprocesamiento como el realce [1], el cual permite mejorar la exactitud de los resultados. Por ello, la aceleración mediante dispositivos GPU es muy deseable. El realce es una parte esencial del análisis de imágenes para mejorar el contraste de imágenes de baja calidad, y por tanto, mejora la segmentación de diferentes tejidos, como el hígado, los vasos sanguíneos, y los tumores durante el diagnóstico de cáncer hepático.
2. Contenido de la investigación La presente tesis se divide en dos partes.
En la primera parte se describe la optimización de algoritmos de crecimiento de regiones aplicado a segmentación de tumores y vasos sanguíneos. La optimización propuesta se basa en eliminar las transferencias de datos intermedios entre CPU y GPU. Para ello se aplica la técnica “Grid-stride-loop” con sincronización de inter-bloques en GPU [2], de manera que toda la parte del cálculo de crecimiento de regiones se transfieren a la GPU. Nuestro enfoque implementa un algoritmo de crecimiento de regiones basado en gradiente [3] acelerado mediante cálculo paralelo para la segmentación de tejidos, el cual incluye la implementación eficiente del gradiente de imagen en la GPU.
La segunda parte describe una implementación paralela y eficiente de la mejora del contraste del órgano hepático para mejorar las imágenes de hígado de baja calidad obtenidas por tomografía computerizada (CT). El trabajo incluye también imágenes hepáticas obtenidas mediante resonancia magnética (MR) con el propósito de asimilar características espaciales de los píxeles vecinos.
A continuación, se analiza el impacto en el realce del contraste en el hígado, vasos y tumores, mediante técnicas de percepción intermodal con objeto de mejorar la precisión de la segmentación. Se propone una paralelización del algoritmo conocido como “Chan Vese” [4], de forma aplicada a la segmentación del hígado, y la aplicación de semillas basadas en gradiente para el crecimiento de regiones en segmentación de vasos sanguíneos y tumores mediante técnicas “grid-stride loop” [2,5]. Hasta el momento, no se ha encontrado ningún trabajo que explote la persistencia y el enfoque “grid-stride loop” para mejorar el contraste basado en la modalidad cruzada.
3. Conclusión Elegimos sensibilidad, especificidad y puntuación de dados para evaluar la calidad de la segmentación y comparar el enfoque de GPU propuesto con la implementación de la CPU. La mejora de contraste basada en paralelización de percepción intermodal propuesta para GPU proporciona una aceleración significativa (alrededor de 100x) en comparación con su implementación en CPU y mejora la calidad de la segmentación del hígado, los vasos y tumores. La implementación de GPU del modelo Chan-Vese es alrededor de 16 veces (sin mejora) y 100 veces (con mejora) más rápido en comparación con la implementación de CPU.
4. Bibliografía [1] T. Celik, Two-dimensional histogram equalization and contrast enhancement, Pattern Recognition 45433(2012) 3810 – 3824.
[2] K. Gupta, J. A. Stuart, J. D. Owens, A study of persistent threads style gpu programming for gpgpu workloads, in: Innovative Parallel Computing-Foundations & Applications of GPU, Manycore, and Heterogeneous Systems (INPAR 2012), IEEE, pp. 1–14.
[3] G. Harikrishna Rai, T. Gopalakrishnan Nair, Gradient based seeded region grow method for ct angiographic image segmentation, arXiv preprint arXiv:1001.3735 (2010) [4] Hoogi, A., Beaulieu, C. F., Cunha, G. M., Heba, E., Sirlin, C. B., Napel, S., and Rubin, D. L. (2017). Adaptive local window for level set segmentation of ct and mri liver lesions.Medical Image Analysis, 37:46 – 55.
[5] S. Xiao, W. C. Feng, Inter-block gpu communication via fast barrier synchronization, in: IEEE International Symposium on Parallel Distributed Processing (IPDPS), 2010, pp. 1–12.
