基于遗传算法的ct图像重建反投影加速方法
【技术领域】
[0001] 该发明涉及一种CT图像重建的方法，特别是涉及一种基于遗传算法的CT图像重 建反投影加速方法。
【背景技术】
[0002] 计算机断层成像（ComputedTomography,CT)以其无损、精确、三维可视化等优点 在工业无损检测和医疗诊断领域获得了广泛的应用。然而CT设备在提高成像质量和重建 分辨率的同时，相应需求的计算资源和存储资源都非常大，重建速度已成为CT技术走向实 用的一个瓶颈，如何对CT重建过程加速是目前该领域研究的一个难点问题。
[0003]目前，实际CT系统中应用的主流算法主要集中于以滤波反投影为基础的解析类 重建算法上，如FBP、FDK等算法。在这类算法中，反投影过程所占计算消耗的比例最高，对 反投影计算的加速是实际应用中重建加速的关键点。
[0004] 在半导体工艺和并行计算技术进步的推动下，特别是以GPU为代表的众核处理器 的推出，使得图像重建速度已不再是一个瓶颈。在众多高性能计算方案中，基于CUDA的图 像重建算法加速效果十分显著，利用CUDA实现对CT重建的反投影过程进行加速是该领域 的重要研究方向。
[0005] 经过现有技术的文献检索发现，利用CUDA加速CT重建反投影的文章采取的实 现方式存在访存带宽受限、自适应程度低等不足。2011年，Papenhausen在Workshopon HighPerformanceImageReconstruction上发表〈〈GPU-acceleratedback-projection revisited:squeezingperformancebycarefultuning》，通过常数存储器、纹理存储器 和一次反投影多个投影等更精细的优化策略，使得GPU在图像重建中的优势得到更好的 发挥。2014 年，Zhang等人在AppliedMechanicsandMaterials上发表〈〈Comparison ofParallelComputingMethodsforFastCone-BeamReconstructionwithSimilar OptimizationStrategies》，充分利用了GPU受限于访存带宽而不是计算带宽的特点，通过 一次反投影更多投影的方式，对于5123的重建图像仅需要2. 1秒。但上述方法的性能瓶颈 是都需要人为来识别，加速策略的自适应程度低。
【发明内容】
[0006] 本发明克服了现有技术中，利用CUDA加速CT重建反投影的实现方式存在访存带 宽受限、自适应程度低等问题，提供一种自适应程度高的基于遗传算法的CT图像重建反投 影加速方法。
[0007] 本发明的技术解决方案是，提供一种具有以下步骤的基于遗传算法的CT图像重 建反投影加速方法：其在CUDA编程框架下，基于CUDA的反投影并行计算策略如下：
[0008] (1) -次反投影核函数运算处理多个投影，减少重建图像体素值更新时对全局存 储器的访问次数；
[0009] (2)合理设计线程网格（grid)和线程块（block)的维度和顺序来保证全局存储器 的合并访问，降低重建图像体素值更新时对全局存储器的访问延迟；
[0010] (3)使用常数存储器保存反投影中的常数，比如三角函数值，减少算术指令的运算 时间；
[0011] (4)使用纹理存储器实现双线性插值，减少算术指令的运算时间；
[0012] (5)约简反投影运算中的相同因子，如相同的除法，减少算术指令的运算时间。
[0013] 所述定义策略⑴中一次反投影处理I个投影，策略⑵中block的维度 为（Bx，By)、一个线程更新K个体素，建立以（I，K，Bx，By)为参数、以反投影计算时间 T(I，K，Bx，By)为代价函数的最优化模型
[0014]
[0015]
[0016] 公式中N代表自然数空间，（Nx，Ny，Nz)为重建图像沿三个坐标轴方向的体素数 量，Np为CT采集的投影数量，N13_为GPU硬件对于多层纹理层数的上限，N"为GPU全局存 储器容量存储投影数量的上限，队为GPU硬件对于block中所包含线程数量的上限，约束 mod(Bx*By, 32) = 0是为了保证block中的线程数量为warp(包含32个线程）的整数倍。
[0017] 所述最优化模型采用SGA求解步骤如下：
[0018] 步骤1 :随机生成Μ个个体（I，K，Bx，By)作为初始种群，并对每个个体进行编码。 由于个体（I，K，Bx，By)全部是整数，因此直接采用每个参数的二进制表示作为基因编码， 并将其串联在一起组成基因序列；
[0019] 步骤2 :编译每个个体对应的反投影核函数为动态链接库，参数最优化搜索程序 调用该动态链接库并记录反投影时间，从而得到每个个体的适应度；
[0020] 步骤3 :当终止条件未达到时，执行下述操作：
[0021] 子步骤3. 1 :基于轮盘赌算法执行选择与复制算子；
[0022] 子步骤3. 2 :以概率Pc执行交叉算子；
[0023] 子步骤3. 3 :以概率Pm执行变异算子；
[0024] 子步骤3. 4 :验证新产生的个体是否满足模型的约束条件。如果满足，则执行下一 步；否则重新执行步骤3. 2和3. 3,直至满足约束条件；
[0025] 子步骤3. 5 :对每个个体的基因编码进行解码得到（I，K，Bx，By)，然后重复步骤2， 计算新一代种群中每个个体的适应度；
[0026] 步骤4 :当终止条件达到时，输出适应度最小的个体，并对其进行解码得到最优的 配置参数。
[0027] 本方法其在CUDA编程框架下，基于CUDA的反投影并行计算分为三个优化部分：
[0028] 优化1 :在第一次反投影核函数运算之前，首先完成I个投影的数据上传，然后在 核函数运算的同时上传下次需要处理的投影数据；
[0029] 优化2 :在接下来的反投影中，GPU在对上次上传的投影数据进行反投影的同时， 上传下次需要处理的投影数据；
[0030] 优化3 :对于最后一次反投影，将重建图像分成均等的两个部分，采用两个核函数 分别完成对应的反投影，当第一个核函数完成反投影之后即开始下载数据到内存，同时第 二个核函数计算另一半重建图像，待反投影结束后下载数据到内存。
[0031] 与现有技术相比，本发明基于遗传算法的CT图像重建反投影加速方法具有以下 优点：本发明反投影过程所占计算消耗的比例低，通过常数存储器、纹理存储器和一次反投 影多个投影等更精细的优化策略，使得GPU在图像重建中的优势得到更好的发挥；不需要 人为来识别，加速策略的自适应程度高。提出的流水处理方法优点是时序控制简单，容易实 现。
【附图说明】
[0032] 图1是本发明基于遗传算法的CT图像重建反投影加速方法的加速流程图；
[0033] 图2是本发明基于遗传算法的CT图像重建反投影加速方法采用SGA来求解模型 的算法流程图；
[0034] 图3是本发明基于遗传算法的CT图像重建反投影加速方法中反投影流水处理方 法的示意图；
[0035] 图4是本发明基于遗传算法的CT图像重建反投影加速方法中RabbitCT的（a)xy 切片、（b)xz切片、（c)yz切片、（d)三维渲染图像的重建图像。
【具体实施方式】
[0036] 下面结合附图和【具体实施方式】对本发明基于遗传算法的CT图像重建反投影加 速方法作进一步说明：一种基于遗传算法的CT图像重建反投影加速方法，在CUDA编程框 架下，基于CUDA的反投影并行计算策略包括以下几点：（1) 一次反投影核函数运算处理 多个投影，减少重建图像体素值更新时对全局存储器的访问次数；（2)合理设计线程网格 (grid)和线程块（block)的维度和顺序来保证全局存储器的合并访问，降低重建图像体素 值更新时对全局存储器的访问延迟；（3)使用常数存储器保存反投影中的常数（比如三角 函数值等），减少算术指令的运算时间；(4)使用纹理存储器实现双线性插值，减少算术指 令的运算时间；（5)约简反投影运算中的相同因子（如相同的除法），减少算术指令的运算 时间。
[0037] 对于不同的GPU平台，上述并行计算策略中的（3)-(5)都是不变的，但策略（1)和 (2)需要调整其中的配置参数才能使反投影并行计算达到最优。目前，调整策略（1)和（2) 中的配置参数完全由人工尝试，若有一种方法能够使得策略（1)和（2)自动地随GPU硬件 的变化而改变，则图像重建算法在GPU上的最优并行计算就可以达到自适应的目的，而不 必人工进行干预。
[0038] 为此，本发明提出以反投影的配置参数为变量、以反投影时间为目标函数的最优 化模型，然后通过遗传算法来搜索最优的配置参数，从而实现反投影的自适应计算。
[0039] 本方法确定的最优化模型如下：定义策略（1)中一次反投影处理I个投影，策略 (2)中block的维度为（Bx，By)、一个线程更新K个体素。本发明建立以（I，K，Bx，By)为参 数、以反投影计算时间T(I，K，Bx，By