一种减少图像标签融合冗余计算的方法与流程

本发明属于医学图像分割技术领域，具体涉及对图像进行标签融合时，减少其中冗余计算的方法。

技术背景

随着生物成像技术的快速发展以及现代计算机存储能力和计算能力的不断提升，近年来，医学影像分析已经逐渐成为一个非常重要的研究方向。各种各样的成像技术，如计算机断层扫描(ct)、磁共振成像(mri)等，已广泛地应用于病理检测，脑组织分析，临床诊断等各个方面，为人类的健康做出了巨大的贡献，而其中医学图像的分割，作为一项关键技术，扮演着非常重要的角色。

图像分割就是把图像分成若干个特定的、具有独特性质的区域或者说分离出感兴趣的区域的技术和过程。在临床上，通过观察分割出来的各个功能区域图像，可以更好地来诊断或预测疾病的发生。

近些年来，基于多图谱的图像分割方法在实际应用中取得了很大的成功。它在原有的单幅图像的基础上，发展形成了利用多幅图像配准并进行标签传播的基本框架。简单的说，图谱就是一个模板，包括图像与图像的标签。多图谱分割过程：(1)将每一幅模板图谱匹配到目标图像，并相应的将模板的标签传播到目标图像作为它的一个分割；(2)将得到的所有分割以一定的方法进行组合进而得到最终的标签。

现有的医学图像分割方法主要集中在目标图像上每一点与多图谱上点集的映射关系。如果单单从算法本身出发，对目标图像上的一个处理点，就要进行一次多图谱的匹配点集的搜索，再用程序来实现，这是可行的，但是计算中存在很多冗余，增加了cpu的负担和分割的时间。随着cuda并行计算框架的推出，让用gpu来处理海量数据并行计算成为了可能。因此，利用gpu来并行处理医学图像的分割将会更加高效，将减少原本程序设计中的冗余计算，提高了分割效率。

技术实现要素：

本发明提出一种利用gpu多线程并行计算来减少图像标签融合冗余计算的方法。该方法可以提高医学图像分割的效率。

本发明的方法是利用gpu多线程并行计算，整体上提取目标图像和多图谱图像的灰度特征，再建立一个从目标图像的灰度特征到多图谱图像的灰度特征的映射地图，通过映射地图寻找每个点匹配到的多图谱点集和对应的标签集，接着用欧氏距离计算匹配到的点集处的权重值，然后统计可能匹配的每个标签值的权重，找到目标图像每个点处对应权重值总和最大的标签值，最后得到带标签的分割图像。

本发明解决其技术问题所采用的技术方案具体包括以下步骤：

步骤(1)：读取待分割目标图像的灰度图、多个模板图谱的灰度图以及相对应已分割的标签图；根据模板图谱的标签信息，建立一张标记目标图像待处理点位置信息的三维地图，并通过搜索所有目标图像待处理点附近的领域，统计并建立一张标记模板图谱的待处理点位置信息的三维地图。

具体的：

1-1.从n个模板图谱中选取一个模板图谱的灰度图作为待分割目标图像；

1-2.再从剩余的n-1个模板图谱中选取选出n个模板图谱用作模板；

1-3.将待分割目标图像的灰度图、选出的n个模板图谱读入到计算机内存中；

1-4.根据选出来的n个模板图谱，根据它们标签值的位置来建立一张目标图像待处理点位置信息的三维地图；在目标图像待处理点的三维地图中，考虑到搜索越界问题，对每一个待处理点，以该待处理点为中心搜索一个大小为(3，3，3)三维领域，然后统计并建立模板图谱待处理点位置信息的三维地图。

步骤(2)：建立两个用于存储位置信息的数组，分别存储目标图像待处理点集和模板图谱的待处理点集的三维坐标，且建立一张模板图谱待处理点三维坐标与位置数组下标序号的映射地图ⅰ和一张模板图谱待处理点集的位置数组下标序号与对应标签值的映射地图ⅱ；对目标图像每个待处理点，以该待处理点为中心搜索一个三维领域，并根据刚才建立的映射地图ⅰ，将目标图像的每个待处理点与模板图谱点集进行匹配，并获取匹配后模板图谱点集对应的数组下标序号集合，得到一个从目标图像的待处理点到模板图谱点集对应的数组下标序号集合的映射关系，即映射地图ⅲ；

具体的：

根据目标图像待处理点位置信息的三维地图和模板图谱的待处理点位置信息的三维地图，建立两个位置数组，分别存储目标图像待处理点集的三维坐标和模板图谱的待处理点集的三维坐标，并且建立一张模板图谱待处理点三维坐标与位置数组下标序号的映射地图ⅰ和一张模板图谱待处理点集的位置数组下标序号与对应标签值的映射地图ⅱ；对目标图像每个待处理点，以该点为中心搜索一个大小为(3，3，3)三维领域，并根据刚才建立的映射地图ⅰ，得到目标图像的每个待处理点匹配模板图谱点集所对应的数组下标序号集合，即得到一张目标图像待处理点与模板图谱待处理点在数组中下标序号集的映射地图ⅲ。

步骤(3)：将目标图像的灰度图、n个模板图谱、位置数组、映射地图ⅰ、映射地图ⅱ和映射地图ⅲ拷贝到gpu显存中，然后在gpu中进行分割计算，gpu开启目标图像待处理点数目个线程，进行大数据处理：

根据目标图像待处理点和模板图谱待处理点的位置数组，得到一个目标图像待处理点集的所有特征向量集合和每个模板图谱待处理点集的所有特征向量集合；考虑到每个模板图谱的不同特征和分割特性，需要对每个模板图谱的映射地图ⅲ进行匹配数据的筛选，得到一张新的目标图像待处理点与每个模板图谱下标序号集的映射地图iv；接着计算目标图像每个待处理点处对应的权重集和标签集；统计目标图像待处理点可能匹配的每个标签值的权重分布情况，将最大权重对应的标签值作为目标图像待处理点的分割结果，最终得到了目标图像的分割。具体的：

3-1.根据目标图像待处理点和模板图谱待处理点的位置数组，对目标图像的每个待处理点和每个模板图谱的每个待处理点，搜索一个(5，5，5)三维领域的灰度值取为长度为125的特征向量，即得到一个目标图像待处理点集的所有特征向量集合和每个模板图谱待处理点集的所有特征向量集合；

3-2.由于每个图谱的不同特征和分割特性，需要进行预选择筛选操作，即对每个模板图谱的映射地图ⅲ进行匹配数据的筛选，得到一张新的目标图像待处理点与每个模板图谱下标序号集的映射地图iv；

3-3.对目标图像所有特征向量和每个模板图谱所有特征向量进行正则化处理；

3-4.根据映射地图iv，用欧氏距离计算两个特征之间的差异，得到目标图像每个待处理点处对应的权重集和标签集；

3-5.对目标图像每个待处理点，统计该待处理点可能匹配的每个标签值的权重分布情况；然后在这个权重分布中，找到最大权重对应的标签值，并将该标签值作为目标图像在该待处理点处的标签值。

本发明的有益效果是：

本发明所述的方法能够保证在不改变原有算法的分割精度的条件下，根据gpu多线程并行计算的特点(即能很好地用于处理大数据)，通过改为适用于gpu多线程的计算方式，来减少标签融合时的冗余计算，提高医学图像的分割效率。

附图说明

图1是减少图像标签融合冗余计算的方法实现流程图

图2是建立模板图谱的待处理点三维地图的过程

图3是目标图像待处理点与目标图像的位置数组、模板图谱待处理点在数组中下标序号集的映射关系图

图4是模板图谱待处理点与模板图谱的位置数组、标签数组、模板图谱待处理点位置-下标序号的映射关系图

具体实施方式

下面结合具体实施方式对本发明进行详细的说明。

本发明提出的一种减少图像标签融合冗余计算的方法，是以标签融合算法中的非局部块加权方法(pbm)为实例来展开的，实施流程如图1所示。本发明所述方法包括以下步骤：

步骤(1)：实验中，我们有40个模板图谱(灰度图和标签图)，从中选取一个图谱的灰度图作为目标灰度图像(待分割目标图像)，再从剩余的39个模板图谱中选取选出10个模板图谱用作模板。读取待分割目标图像的灰度图和多个模板图谱的灰度图以及相对应已分割的标签图到计算机内存中。根据选出来的10个模板图谱，统计它们标签值的位置来建立一张目标图像待处理点位置信息的三维地图。在目标图像待处理点的三维地图中，考虑到搜索越界问题，对每一个待处理点，以该待处理点为中心搜索一个大小为(3，3，3)三维领域，然后统计并建立模板图谱待处理点位置信息的三维地图。如图2所示，这让目标图像相邻待处理点搜索到的模板图谱的待处理点集不重复，减少冗余搜索和计算。

步骤(2)：如图3和图4，根据目标图像待处理点位置信息的三维地图和模板图谱的待处理点位置信息的三维地图，建立两个位置数组，分别存储目标图像待处理点集的三维坐标和模板图谱的待处理点集的三维坐标，并且建立一张模板图谱待处理点三维坐标与位置数组下标序号的映射地图ⅰ和一张模板图谱待处理点集的位置数组下标序号与对应标签值的映射地图ⅱ；对目标图像每个待处理点，以该点为中心搜索一个大小为(3，3，3)三维领域，并根据刚才建立的映射地图ⅰ，得到目标图像的每个待处理点匹配模板图谱点集所对应的数组下标序号集合，即得到一张目标图像待处理点与模板图谱待处理点在数组中下标序号集的映射地图ⅲ。

步骤(3)：将目标图像的灰度图、10个模板图谱(灰度图和标签图)、目标图像和模板图谱待处理点集的位置数组、映射地图ⅰ、映射地图ⅱ和映射地图ⅲ数据拷贝到gpu显存中。然后在gpu中进行分割计算，实例中gpu开启近150万个线程进行大数据处理：

1)根据目标图像待处理点和模板图谱待处理点的位置数组，对目标图像的每个待处理点和每个模板图谱的每个待处理点，搜索一个(5，5，5)三维领域的灰度值取为长度为125的特征向量，即得到一个目标图像待处理点集的所有特征向量集合和每个模板图谱待处理点集的所有特征向量集合。

2)由于每个图谱的不同特征和分割特性，需要进行预选择筛选操作，即对每个模板图谱的映射地图ⅲ进行匹配数据的筛选，得到一张新的目标图像待处理点与每个模板图谱下标序号集的映射地图iv。

3)对目标图像所有特征向量和每个模板图谱所有特征向量进行正则化处理。

4)根据映射地图iv，用欧氏距离计算两个特征之间的差异，得到目标图像每个待处理点处对应的权重集和标签集。

5)对目标图像每个待处理点，统计该待处理点可能匹配的每个标签值的权重分布情况；然后在这个权重分布中，找到最大权重对应的标签值，并将该标签值作为目标图像在该待处理点处的标签值。

gpu的每个线程处理一个目标图像待处理点，最终使得目标图像所有点都拥有标签值，即得到了目标图像的分割标签图。