CN106910157A - 一种多级并行的图像重建方法及装置 - Google Patents

一种多级并行的图像重建方法及装置 Download PDF

Info

Publication number
CN106910157A
CN106910157A CN201710087152.3A CN201710087152A CN106910157A CN 106910157 A CN106910157 A CN 106910157A CN 201710087152 A CN201710087152 A CN 201710087152A CN 106910157 A CN106910157 A CN 106910157A
Authority
CN
China
Prior art keywords
projection
data
gpu
image
reconstruction image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710087152.3A
Other languages
English (en)
Other versions
CN106910157B (zh
Inventor
张萍宇
李保磊
莫阳
张耀军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Research Institute of Ministry of Public Security
Beijing Zhongdun Anmin Analysis Technology Co Ltd
Original Assignee
First Research Institute of Ministry of Public Security
Beijing Zhongdun Anmin Analysis Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Research Institute of Ministry of Public Security, Beijing Zhongdun Anmin Analysis Technology Co Ltd filed Critical First Research Institute of Ministry of Public Security
Priority to CN201710087152.3A priority Critical patent/CN106910157B/zh
Publication of CN106910157A publication Critical patent/CN106910157A/zh
Application granted granted Critical
Publication of CN106910157B publication Critical patent/CN106910157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware

Abstract

本发明公开了一种多级并行的图像重建方法及装置，用以在CT成像系统各排结构有差异，投影数据不完备的情况下，快速重建出高质量的图像。所述方法包括：根据统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；当接收到被检对象有限视角的投影数据时，根据圆轨道平行束系统结构参数将有限视角的投影数据重排为的统一圆轨道平行束投影数据；通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使空闲GPU通过GPU内部线程级并行方式对所述投影数据进行第一预设处理，以得到被检对象对应的图像；输出所述被检对象对应的图像。采用本发明所提供的方法，能够在数据不完备的情况下，快速重建出高质量的图像。

Description

一种多级并行的图像重建方法及装置
技术领域
本发明涉及图像处理领域，特别涉及一种多级并行的图像重建方法及装置。
背景技术
CT(Computed Tomography，计算机断层成像)技术是通过对物体进行不同角度的射线投影测量而获取物体横截面信息的成像技术。CT系统不断朝着提高成像速度与质量的方向发展。
然而传统的CT系统采用高速滑环部件来采集获得完备数据，该部件制造维护成本高，导致CT设备价格昂贵，很难大面积推广。新型的直线轨迹扫描方式的CT系统没有旋转部件，结构相对简单，制造维护成本低，扫描速度快，满足特定领域的应用需求。
虽然新型的直线轨迹扫描方式的CT系统克服了传统CT系统设备价格昂贵的缺陷，但是，直线的扫描轨迹不可能无限长，导致这种扫描方式一次只能获得有限视角的扫描数据，对于数据不完备的情况，重建图像质量差；然而采用更适合数据不完备的迭代算法，重建图像质量高，但重建速度又很慢，无法满足实际应用需要。因而，提出一种多级并行的图像重建方法，用以在有限采样视角而导致的数据不完备的情况下，快速重建出高质量的图像，是一亟待解决的技术问题。
发明内容
本发明提供一种多级并行的图像重建方法及装置，用以在CT成像系统各排系统结构有差异，投影数据不完备的情况下，快速重建出高质量的图像。
本发明提供一种多级并行的图像重建方法，包括：
根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
当接收到被检对象有限视角的投影数据时，根据所述圆轨道平行束系统结构参数将所述有限视角的投影数据分别重排为有限视角的统一圆轨道平行束投影数据；
通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使所述空闲GPU通过GPU内部线程级并行方式对所述投影数据进行第一预设处理，以得到所述被检对象对应的图像；
输出所述被检对象对应的图像。
本发明的有益效果在于：对于重排后的单排圆轨迹平行束双能投影采用SART迭代算法结合图像全变分TV最小约束并联合双能CT预处理重建算法进行GPU并行加速重建，从而使重建算法不仅能适用于投影视角小于90度的有限角不完备情况，也适用于采用稀疏探测器形成的稀疏角不完备情况；在此基础上，通过CPU多线程方式将投影数据分配给空闲GPU，当存在多个空闲GPU时，所有空闲GPU都能够对投影数据进行处理，提高了对投影数据的处理速度，通过增加GPU的数量就可以灵活扩展并行加速系统，因而，能够满足各类不同的并行加速需求，同时，GPU内部通过线程级并行方式对投影数据进行处理，进一步提高了处理速度，因而，能够在各排系统结构不一致，数据不完备的情况下，快速重建出高质量的图像。
在一个实施例中，所述对所述投影数据进行第一预设处理，包括：
对所述格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
确定满足预设条件的所述重建图像为所述被检对象对应的图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值。
在一个实施例中，当所述投影数据为双能投影数据时，所述对所述投影数据进行第一预设处理，包括：
对所述格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
确定满足预设条件的所述多种预设格式的重建图像为所述被检对象对应的多种预设格式图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值；
根据所述多种预设格式的重建图像，通过GPU线程级并行方式生成所述被检对象对应的等效原子序数图像和电子密度图像。
在一个实施例中，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
本实施例的有益效果在于：对本地所有GPU进行统一的初始化，从而使任意GPU都可以处理任意重排后投影数据的重建任务，保证了GPU的通用性。
在一个实施例中，所述根据所述圆轨道平行束系统结构参数将所述投影数据重排为有限视角的统一圆轨道平行束投影数据，包括：
将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到所述直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，所述统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
在一个实施例中，所述对所述多种预设格式的投影数据进行SART迭代重建，包括：
对每个视角的预设格式的投影数据进行第二预设处理；其中，所述第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，所述预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
本实施例的有益效果在于：能够生成多种预设格式的重建图像，从而便于不同目的的识别应用。
在一个实施例中，所述通过GPU内线程级并行方式对所述预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解所述重建图像的TV最小值；采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
本实施例的有益效果在于：采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，相对于采用CPU串行方式而言，提高了速度。
本发明还提供一种图像重建装置，包括：
初始化模块，用于根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
重排模块，用于当接收到被检对象有限视角的投影数据时，根据所述圆轨道平行束系统结构参数将所述有限视角的投影数据分别重排为有限视角的统一圆轨道平行束投影数据；
重建模块，用于通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使所述空闲GPU通过GPU内部线程级并行方式对所述投影数据进行第一预设处理，以得到所述被检对象对应的图像；
输出模块，用于输出所述被检对象对应的图像。
在一个实施例中，所述对所述投影数据进行第一预设处理，包括：
对所述格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
确定满足预设条件的所述重建图像为所述被检对象对应的图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值。
在一个实施例中，当所述投影数据为双能投影数据时，所述对所述投影数据进行第一预设处理，包括：
对所述格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
确定满足预设条件的所述多种预设格式的重建图像为所述被检对象对应的多种预设格式图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值；
根据所述多种预设格式的重建图像，通过GPU线程级并行方式生成所述被检对象对应的等效原子序数图像和电子密度图像。
在一个实施例中，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
在一个实施例中，所述重排模块，包括：
变换子模块，用于将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到所述直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，所述统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
在一个实施例中，所述对所述预设格式的投影数据进行SART迭代重建，包括：
对每个视角的预设格式的投影数据进行第二预设处理；其中，所述第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，所述预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
在一个实施例中，所述通过GPU内线程级并行方式对所述预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解所述重建图像的TV最小值；
采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1A为本发明一实施例中一种多级并行的图像重建方法的流程图；
图1B为将本方案应用于安检领域时多排直线双能CT成像系统的结构示意图；
图1C为本发明实施例中单个GPU上迭代重建的流程图；
图1D为本发明实施例中多个GPU上并行迭代重建的流程图；
图2为本发明一实施例中一种多级并行的图像重建方法的流程图；
图3为本发明一实施例中一种多级并行的图像重建方法的流程图；
图4为本发明一实施例中一种多级并行的图像重建方法的流程图；
图5为本发明一实施例中一种多级并行的图像重建装置的框图；
图6为本发明一实施例中一种多级并行的图像重建装置的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
在介绍本发明实施例之前，对本发明中出现的多个缩略词和关键术语做出如下释义：
CPU：Central Processing Unit，中央处理器，是一台计算机的运算核心和控制核心。
GPU：Graphics Processing Unit，图形处理器，用于图形图像运算的众核架构微处理器。目前在通用计算领域得到广泛应用。
CT:Computed Tomography，计算机断层成像，是通过围绕物体的多个角度的投影获得物体断层图像的一种成像方法。
ART，Algebraic Reconstruction Techniques，代数重建技术，迭代重建中的一种。
SART，Simultaneous Algebraic Reconstruction Techniques，联合代数重建技术，迭代重建中的一种，是ART算法的改进。
TV，Total Variation，全变分，定义为梯度幅值的积分。
多级并行：本发明中指两级并行，一级为多个GPU设备并行进行多个单排投影重建任务，另一级为单个GPU内部多核处理器上多个线程并行进行一个单排投影重建任务。
图1A为本发明一实施例中一种多级并行的图像重建方法的流程图，如图1所示，该方法包括如下步骤S11-S14：
在步骤S11中，根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
在步骤S12中，当接收到被检对象有限视角的投影数据时，根据圆轨道平行束系统结构参数将有限视角的投影数据分别重排为的统一圆轨道平行束投影数据；
在步骤S13中，通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使空闲GPU通过GPU内部线程级并行方式对投影数据进行第一预设处理，以得到被检对象对应的图像；
在步骤S14中，输出被检对象对应的图像。
图1B为将本方案应用于安检领域时多排直线双能CT成像系统的结构示意图，如图1B所示，1为安检机中的射线源；2为控制计算机；3为被检查物；4为安检机输送带；5为探测器阵列；6为双能探测器单元。图1C为本发明实施例1中单个GPU上迭代重建的流程图，图1D为本发明实施例中多个CPU进行并行重建的流程图，即图1C和图1D分别为单个GPU和多个GPU的情况下，上述步骤S11-S13对应的执行过程。
本实施例中，首先根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化，其中，初始化过程仅进行一次。初始化内容包括统一的圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间，计算并存储系统权值矩阵到显存空间，将预先离线生成的投影分解查找表存储到二维纹理存储器，投影分解查找表存储为二维纹理形式以便进行投影分解时提高查找表的读取速度和进行快速插值，该查找表纹理采用非归一化的浮点型拾取坐标，将高低能投影值作为查找时输入的横纵坐标，并利用纹理存储器硬件实现的线性模式滤波功能对读取的浮点型返回值进行插值，实现快速高精度双能投影分解。
当接收到被检对象的投影数据时，根据圆轨道平行束系统结构参数将投影数据重排为有限视角的统一圆轨道平行束投影数据；通过CPU多线程方式将不同排的平行束投影分配到处于空闲状态的GPU中，以使空闲GPU通过GPU内部线程级并行方式对投影数据进行第一预设处理，当所有GPU的第一预设处理都执行完毕时，会得到一种或者多种预设格式的重建图像。
其中，当只有一种预设格式的重建图像时，确定该重建图像为被检对象对应的图像。当存在多种预设格式的重建图像时，可以根据多种预设格式的重建图像，通过GPU线程级并行方式生成被检对象对应的等效原子序数图像和电子密度图像。
在确定了被检对象对应的图像后，输出该被检对象对应的图像。
本发明的有益效果在于：对于重排后的单排圆轨迹平行束双能投影采用SART迭代算法结合图像全变分TV最小约束并联合双能CT预处理重建算法进行GPU并行加速重建，从而使重建算法不仅能适用于投影视角小于90度的有限角不完备情况，也适用于采用稀疏探测器形成的稀疏角不完备情况；在此基础上，通过CPU多线程方式将投影数据分配给空闲GPU，当存在多个空闲GPU时，所有空闲GPU都能够对投影数据进行处理，提高了对投影数据的处理速度，通过增加GPU的数量就可以灵活扩展并行加速系统，因而，能够满足各类不同的并行加速需求，同时，GPU内部通过线程级并行方式对投影数据进行处理，进一步提高了处理速度，因而，能够在各排系统结构不一致，数据不完备的情况下，快速重建出高质量的图像。
在一个实施例中，如图2所示，对投影数据进行第一预设处理可被实施为如下步骤S21-S22：
在步骤S21中，对预设格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
在步骤S22中，确定满足预设条件的重建图像为被检对象对应的图像；其中，满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者重建图像正投影和投影数据的差值达到预设阈值。
本实施例中，当投影数据是通过单能CT系统采集时，预设格式的重建图像可以是线衰减系数图像。
在一个实施例中，如图3所示，当投影数据为双能投影数据时，对投影数据进行第一预设处理可被实施为如下步骤S31-S33：
在步骤S31中，对预设格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
在步骤S32中，确定满足预设条件的多种预设格式的重建图像为被检对象对应的多种预设格式图像；其中，满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者重建图像正投影和投影数据的差值达到预设阈值；
在步骤S33中，根据多种预设格式的重建图像，通过GPU线程级并行方式生成被检对象对应的等效原子序数图像和电子密度图像。
在一个实施例中，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
根据多排直线CT装置的系统结构，在各排不同的投影结构中找到投影视角起止范围最大的探测器排作为投影重排后的圆轨迹平行束的统一基准。按照该基准的系统参数进行多级并行重建系统内多个GPU的初始化工作。本实施例中初始化内容包括以下至少一种方式：统一的圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间；初始化中需要先计算并存储“系统权值矩阵”到显存空间，本实施例中采用基材料投影分解双能预处理重建方法，初始化时需要将预先离线生成的基材料投影分解查找表存储到二维纹理存储器。
本实施例的有益效果在于：对本地所有GPU进行统一的初始化，从而使任意GPU都可以处理任意重排后投影数据的重建任务，保证了GPU的通用性。
在一个实施例中，上述步骤S12可被实施为如下步骤：
将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
本实施例中，传送带上的被检查物沿着直线运动通过多排双能探测器阵列场，获得多排直线双能投影数据[ProjH，ProjL]i，i为探测器排的序号。通过重排算法将各排直线双能投影数据进行投影空间变换重排为圆轨迹平行束投影[SinoH，SinoL]i。重排算法包括以下步骤：
1)根据原始直线投影数据的起始位置和结束位置，确定数据重排时选择的旋转中心的横坐标xo。
2)根据[ProjH，ProjL]i中各个视角的投影数据的重心及投影方向确定数据重排时选择的旋转中心的纵坐标yo。
3)根据xo、yo完成[ProjH，ProjL]i到[SinoH，SinoL]i’的转换。
4)将各排重排后的圆轨迹平行束投影[SinoH，SinoL]i’再插值为统一基准的圆轨迹平行束投影，即各排[SinoH、SinoL]i扫描起止视角范围一致，扫描视角采样间距相同，探测器单元等效采样间距相同，仅有效的起止视角不同。无效的投影视角数据不参与重建过程。
当多GPU重建系统的GPU有空闲时，CPU主控程序将产生一个CPU新线程将某排[SinoH，SinoL]i投影分配给该空闲的GPU进行重建。多个GPU都空闲时，将产生多个CPU线程同时并行控制多个GPU设备进行多排[SinoH，SinoL]i投影重建，实现由CPU多线程控制的多GPU设备级的并行重建。当GPU完成当前的重建任务再次空闲时，如果还有待重建的单排投影[SinoH，SinoL]i，CPU主控程序将再次产生一个CPU新线程将该排[SinoH，SinoL]i投影分配给该空闲的GPU进行重建，直到完成所有多排重建任务。这种多级并行架构，通过增加GPU数量就能很方便地进行扩展，增加并行重建能力。
在一个实施例中，如图4所示，上述步骤S31中的对多种预设格式的投影数据进行SART迭代重建，可被实施为如下步骤S41-S42：
在步骤S41中，对每个视角的预设格式的投影数据进行第二预设处理；其中，第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
在步骤S42中，当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
本实施例中的线衰减系数图像为高低能线衰减系数图像。
本实施例中，对于重排后的单排圆轨迹平行束双能投影采用SART迭代算法结合图像全变分TV最小约束并联合双能CT预处理重建算法进行GPU并行加速重建。从而使重建算法不仅能适用于投影视角小于90度的有限角不完备情况，也适用于采用稀疏探测器形成的稀疏角不完备情况，并同时重建获得四种重建图像，线衰减系数图像、等效原子序数图像和电子密度图像。
在SART迭代中，根据图像重建质量和速度的不同需求，可以顺序处理每个投影视角，从而得到最佳的重建质量；也可以顺序使用间隔的视角，从而节省重建时间。针对一个视角，SART迭代公式归纳为如下两部分：公式(1)计算正投影及投影修正值，公式(2)反投影修正更新体素值。
ci为第i根射线的投影修正值，pi为第i根射线的原始投影值，权值win为第n个体素的体素值对第i根射线投影值的贡献量，为第k次迭代中第n个体素的体素值。与为第j个体素分别在第k+1和第k次迭代中的体素值，λ为松弛因子，权值wij是投影视角下第j个体素对第i根射线投影值的贡献量，为投影视角下射线的集合。
本实施例中将双能CT预处理重建算法的投影分解过程合并到公式(1)的计算正投影及投影修正值的过程中，采用基材料查找表分解投影的方法，同时并行进行四种投影修正值计算。该过程采用基于射线驱动的GPU线程级并行方式，每个GPU线程计算一根射线基于查找表的双能投影的分解以及四种图像的正投影和投影修正值。本实施例中将反投影修正更新体素值过程采用基于体素驱动的GPU线程级并行方式，见公式(3)，每个GPU线程进行一个体素对应的修正值计算和体素值更新操作。通过将上面正投影步骤中同一视角下不同射线的投影修正值存储在纹理存储器中，来实现硬件自动插值获得该体素对应的投影修正值。顺序处理完所有投影视角(或者间隔视角)即完成一次SART迭代过程。
cj为第j个体素所对应的投影修正值。
本实施例的有益效果在于：能够生成多种预设格式的重建图像，从而便于不同目的的识别应用。
在一个实施例中，通过GPU内线程级并行方式对预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解重建图像的TV最小值；采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
本实施例中采用梯度下降法计算TV最小。使用基于GPU的归约并行函数结合平方操作来完成梯度下降步长修正系数的计算，见公式(4)。
dA为梯度下降法求TV最小值的下降步长修正系数，为某一轮SART迭代前的重建图像，为某一轮SART迭代后并完成正约束后的重建图像，||·||2为2范数，此处用于计算两个图像的差异。
本实施例中结合归约并行函数，采用基于体素驱动的GPU线程级并行方式计算四种重建图像TV的梯度图，和归一化的梯度图，以及进行重建图像的修正更新操作。TV的梯度采用近似算法公式(5)。
υx,y为重建图像的TV的梯度，为重建图像的TV，fx,y为重建图像的体素值，ε为极小正值。
本实施例中进行TV最小化时采用设置参数来确定迭代次数。为保证固定的重建时间，总的SART迭代加TV最小化迭代采用设置参数来确定总迭代次数的实现方式。为提高重建质量，总迭代次数也可以通过评估算法是否收敛到一定值来决定。总迭代完成后获得四种重建图像，即高低能线性衰减系数图像和两种基材料分解系数重建图像。
需要说明的是，当获得上述四种重建图像之后，根据如下计算公式(6)(7)计算各个体素对应的等效原子序数和电子密度。
ρe＝b1ρe1+b2ρe2 (7)
n＝3到4，b1、b2为两种基材料的分解系数，Z1、Z2分别为两种基材料的原子序数；ρe1、ρe2分别为两种基材料的电子密度。在计算时采用基于体素驱动的GPU线程级并行方式，每个GPU线程计算一个体素对应的等效原子序数和电子密度。
本实施例的有益效果在于：采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，相对于采用CPU串行方式而言，提高了速度。
图5为本发明一实施例中一种多级并行的图像重建装置的框图，如图5所示，该装置包括如下模块：
初始化模块51，用于根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
重排模块52，用于当接收到被检对象有限视角的投影数据时，根据圆轨道平行束系统结构参数将有限视角的投影数据分别重排为有限视角的统一圆轨道平行束投影数据；
重建模块53，用于通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使空闲GPU通过GPU内部线程级并行方式对投影数据进行第一预设处理，以得到被检对象对应的图像；
输出模块54，用于输出被检对象对应的图像。
对投影数据进行第一预设处理，包括：
对预设格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
确定满足预设条件的重建图像为被检对象对应的图像；其中，满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者重建图像正投影和投影数据的差值达到预设阈值。
在一个实施例中，当投影数据为双能投影数据时，对投影数据进行第一预设处理，包括：
对预设格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
确定满足预设条件的多种预设格式的重建图像为被检对象对应的多种预设格式图像；其中，满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者重建图像正投影和投影数据的差值达到预设阈值；
根据多种预设格式的重建图像，通过GPU线程级并行方式生成被检对象对应的等效原子序数图像和电子密度图像。
在一个实施例中，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
在一个实施例中，如图6所示，重排模块52，包括：
变换子模块61，用于将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
在一个实施例中，对设格式的投影数据进行SART迭代重建，包括：
对每个视角的预设格式的投影数据进行第二预设处理；其中，所述第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，所述预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
在一个实施例中，通过GPU内线程级并行方式对预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解重建图像的TV最小值；
采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种多级并行的图像重建方法，其特征在于，包括：
根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
当接收到被检对象有限视角的投影数据时，根据所述圆轨道平行束系统结构参数将所述有限视角的投影数据分别重排为有限视角的统一圆轨道平行束投影数据；
通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使所述空闲GPU通过GPU内部线程级并行方式对所述投影数据进行第一预设处理，以得到所述被检对象对应的图像；
输出所述被检对象对应的图像。
2.如权利要求1所述的方法，其特征在于，所述对所述投影数据进行第一预设处理，包括：
对所述格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
确定满足预设条件的所述重建图像为所述被检对象对应的图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值。
3.如权利要求1所述的方法，其特征在于，当所述投影数据为双能投影数据时，所述对所述投影数据进行第一预设处理，包括：
对所述格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
确定满足预设条件的所述多种预设格式的重建图像为所述被检对象对应的多种预设格式图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值；
根据所述多种预设格式的重建图像，通过GPU线程级并行方式生成所述被检对象对应的等效原子序数图像和电子密度图像。
4.如权利要求1所述的方法，其特征在于，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
5.如权利要求1所述的方法，其特征在于，所述根据所述圆轨道平行束系统结构参数将所述有限视角的投影数据重排为有限视角的统一圆轨道平行束投影数据，包括：
将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到所述直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，所述统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
6.如权利要求2或3所述的方法，其特征在于，所述对所述预设格式的投影数据进行SART迭代重建，包括：
对每个视角的预设格式的投影数据进行第二预设处理；其中，所述第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，所述预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
7.如权利要求2或3所述的方法，其特征在于，所述通过GPU内线程级并行方式对所述预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解所述重建图像的TV最小值；
采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
8.一种图像重建装置，其特征在于，包括：
初始化模块，用于根据预先设置的统一圆轨道平行束系统结构参数对本地所有GPU进行初始化；
重排模块，用于当接收到被检对象有限视角的投影数据时，根据所述圆轨道平行束系统结构参数将所述有限视角的投影数据分别重排为有限视角的统一圆轨道平行束投影数据；
重建模块，用于通过CPU多线程方式将不同排的平行束投影数据分配到处于空闲状态的GPU中，以使所述空闲GPU通过GPU内部线程级并行方式对所述投影数据进行第一预设处理，以得到所述被检对象对应的图像；
输出模块，用于输出所述被检对象对应的图像。
9.如权利要求8所述的装置，其特征在于，所述对所述投影数据进行第一预设处理，包括：
对所述格式的投影数据通过GPU内线程级并行方式进行SART加TV全变分最小约束的迭代重建，以生成预设格式的重建图像；
确定满足预设条件的所述重建图像为所述被检对象对应的图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值。
10.如权利要求8所述的装置，其特征在于，当所述投影数据为双能投影数据时，所述对所述投影数据进行第一预设处理，包括：
对所述格式的双能投影数据通过GPU内线程级并行方式进行双能投影分解处理及SART加TV全变分最小约束的迭代重建，以生成多种预设格式的重建图像；
确定满足预设条件的所述多种预设格式的重建图像为所述被检对象对应的多种预设格式图像；其中，所述满足预设条件包括：SART加TV全变分最小约束迭代的次数达到预设次数或者所述重建图像正投影和所述投影数据的差值达到预设阈值；
根据所述多种预设格式的重建图像，通过GPU线程级并行方式生成所述被检对象对应的等效原子序数图像和电子密度图像。
11.如权利要求8所述的装置，其特征在于，通过以下至少一种方式对本地所有GPU进行初始化：
统一圆轨道平行束系统结构参数初始化、GPU设备初始化、分配单排投影数据重建中需要的显存空间、计算并存储系统权值矩阵到显存空间和将预先离线生成的投影分解查找表存储到二维纹理存储器。
12.如权利要求8所述的装置，其特征在于，所述重排模块，包括：
变换子模块，用于将系统结构不同的各排直线投影数据分别进行投影空间变换，以得到所述直线投影对应的统一系统结构的圆轨道平行束投影数据；其中，所述统一系统结构的圆轨道平行束投影的扫描起止视角范围一致、扫描视角采样间距相同，探测器单元等效采样间距相同。
13.如权利要求9或10所述的装置，其特征在于，所述对所述预设格式的投影数据进行SART迭代重建，包括：
对每个视角的预设格式的投影数据进行第二预设处理；其中，所述第二预设处理包括：采用射线驱动的GPU内部线程级并行方式计算得到一个投影视角的各个射线对应的正投影和投影修正值；采用体素驱动的GPU内部线程级并行方式计算得到一个投影视角下的各个体素对应的反投影更新值；
当所有视角的预设格式的投影数据的第二预设处理执行完毕时，生成预设格式的重建图像，其中，所述预设格式的重建图像包括以下至少一种图像：
线衰减系数图像、投影基材料分解的重建图像、投影基效应分解的重建图像。
14.如权利要求9-10所述的装置，其特征在于，所述通过GPU内线程级并行方式对所述预设格式的重建图像进行TV全变分最小约束迭代，包括：
通过梯度下降法求解所述重建图像的TV最小值；
采用体素驱动方式实现GPU内部线程级并行计算TV的梯度，采用并行归约算法计算归一化的TV梯度和TV修正系数。
CN201710087152.3A 2017-02-17 2017-02-17 一种多级并行的图像重建方法及装置 Active CN106910157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710087152.3A CN106910157B (zh) 2017-02-17 2017-02-17 一种多级并行的图像重建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710087152.3A CN106910157B (zh) 2017-02-17 2017-02-17 一种多级并行的图像重建方法及装置

Publications (2)

Publication Number Publication Date
CN106910157A true CN106910157A (zh) 2017-06-30
CN106910157B CN106910157B (zh) 2020-06-26

Family

ID=59207800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710087152.3A Active CN106910157B (zh) 2017-02-17 2017-02-17 一种多级并行的图像重建方法及装置

Country Status (1)

Country Link
CN (1) CN106910157B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008975A (zh) * 2017-12-22 2018-05-08 郑州云海信息技术有限公司 一种基于knl平台的图像数据的处理方法及装置
CN109031174A (zh) * 2018-07-26 2018-12-18 首都师范大学 一种多级联分布式显微ct成像系统
CN113409183A (zh) * 2021-08-02 2021-09-17 广州汇图计算机信息技术有限公司 一种基于gpu的快速重建成像方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7456406B2 (en) * 2006-05-10 2008-11-25 Gachon University Of Medicine Method and apparatus for ultra fast symmetry and SIMD based projection-backprojection for 3D pet image reconstruction
CN101647706A (zh) * 2008-08-13 2010-02-17 清华大学 高能双能ct系统的图象重建方法
CN103913779A (zh) * 2012-12-31 2014-07-09 清华大学 多能ct成像系统以及成像方法
CN104346820A (zh) * 2013-07-26 2015-02-11 清华大学 一种x光双能ct重建方法
CN104424625A (zh) * 2013-09-04 2015-03-18 中国科学院深圳先进技术研究院 一种gpu加速cbct图像重建方法和装置
CN104504743A (zh) * 2014-12-30 2015-04-08 深圳先进技术研究院 重建内部感兴趣区域图像的方法及系统
CN105911604A (zh) * 2016-05-30 2016-08-31 公安部第研究所 一种通道式危险液体检测装置与方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7456406B2 (en) * 2006-05-10 2008-11-25 Gachon University Of Medicine Method and apparatus for ultra fast symmetry and SIMD based projection-backprojection for 3D pet image reconstruction
CN101647706A (zh) * 2008-08-13 2010-02-17 清华大学 高能双能ct系统的图象重建方法
CN103913779A (zh) * 2012-12-31 2014-07-09 清华大学 多能ct成像系统以及成像方法
CN104346820A (zh) * 2013-07-26 2015-02-11 清华大学 一种x光双能ct重建方法
CN104424625A (zh) * 2013-09-04 2015-03-18 中国科学院深圳先进技术研究院 一种gpu加速cbct图像重建方法和装置
CN104504743A (zh) * 2014-12-30 2015-04-08 深圳先进技术研究院 重建内部感兴趣区域图像的方法及系统
CN105911604A (zh) * 2016-05-30 2016-08-31 公安部第研究所 一种通道式危险液体检测装置与方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008975A (zh) * 2017-12-22 2018-05-08 郑州云海信息技术有限公司 一种基于knl平台的图像数据的处理方法及装置
CN109031174A (zh) * 2018-07-26 2018-12-18 首都师范大学 一种多级联分布式显微ct成像系统
CN109031174B (zh) * 2018-07-26 2024-02-09 首都师范大学 一种多级联分布式显微ct成像系统
CN113409183A (zh) * 2021-08-02 2021-09-17 广州汇图计算机信息技术有限公司 一种基于gpu的快速重建成像方法

Also Published As

Publication number Publication date
CN106910157B (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
US7120283B2 (en) Methods and apparatus for back-projection and forward-projection
Long et al. 3D forward and back-projection for X-ray CT using separable footprints
JP4965575B2 (ja) 分布させた反復的画像再構成
Mueller et al. Rapid 3-D cone-beam reconstruction with the simultaneous algebraic reconstruction technique (SART) using 2-D texture mapping hardware
JP4191799B2 (ja) 多スライス制限投影ｐｅｔ
Pratx et al. Fast, accurate and shift-varying line projections for iterative reconstruction using the GPU
US20070201611A1 (en) Method of reconstructing a tomographic image using a graphics processing unit
US20130028500A1 (en) Reconstruction computing device, reconstruction computing method, and x-ray ct apparatus
Matenine et al. GPU‐accelerated regularized iterative reconstruction for few‐view cone beam CT
Mueller et al. The weighted-distance scheme: a globally optimizing projection ordering method for ART
Pang et al. Accelerating simultaneous algebraic reconstruction technique with motion compensation using CUDA-enabled GPU
CN105118039B (zh) 实现锥束ct图像重建的方法及系统
Keck et al. GPU-accelerated SART reconstruction using the CUDA programming environment
CN106910157A (zh) 一种多级并行的图像重建方法及装置
Chen et al. A hybrid architecture for compressive sensing 3-D CT reconstruction
CN109146987B (zh) 一种基于gpu的快速锥束计算机断层成像重建方法
CN111462267A (zh) 一种x射线投影数据的获取方法和系统
Kole et al. Evaluation of accelerated iterative x-ray CT image reconstruction using floating point graphics hardware
Zheng et al. Fast 4D cone-beam reconstruction using the McKinnon-Bates algorithm with truncation correction and nonlinear filtering
Kotina et al. Universal system for tomographic reconstruction on GPUs
Nguyen et al. Parallelizing a matched pair of ray-tracing projector and backprojector for iterative cone-beam CT reconstruction
Riddell et al. Rectification for cone-beam projection and backprojection
Wang et al. Speedup OS-EM image reconstruction by PC graphics card technologies for quantitative SPECT with varying focal-length fan-beam collimation
US20120155729A1 (en) Methods and systems for fast iterative reconstruction using separable system models
KR101082629B1 (ko) Ｇｐｕ를 이용한 양전자 방출 단층 촬영 영상 병렬 복원 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant