KR20210046889A - Level Set Segmentation method and apparatus for Medical Image - Google Patents

Level Set Segmentation method and apparatus for Medical Image Download PDF

Info

Publication number
KR20210046889A
KR20210046889A KR1020190129658A KR20190129658A KR20210046889A KR 20210046889 A KR20210046889 A KR 20210046889A KR 1020190129658 A KR1020190129658 A KR 1020190129658A KR 20190129658 A KR20190129658 A KR 20190129658A KR 20210046889 A KR20210046889 A KR 20210046889A
Authority
KR
South Korea
Prior art keywords
information
level
level set
voxel
medical image
Prior art date
Application number
KR1020190129658A
Other languages
Korean (ko)
Other versions
KR102308059B1 (en
Inventor
김철환
김동현
장택진
예병훈
서우덕
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190129658A priority Critical patent/KR102308059B1/en
Publication of KR20210046889A publication Critical patent/KR20210046889A/en
Application granted granted Critical
Publication of KR102308059B1 publication Critical patent/KR102308059B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Generation (AREA)
  • Image Processing (AREA)

Abstract

The present invention relates to a 3D level set segmentation method for a medical image which comprises the following steps of: allocating indexes for structure information recorded in level set data vector information to each of a plurality of core units that are multi-cores of a GPU; reading a corresponding voxel recorded in the structure information corresponding to an index allocated to each of the plurality of core units and structure information for surrounding voxels of the voxel, calculating a level of the corresponding voxel based on the structure information and updating the level of the corresponding voxel with the calculated level; and deriving an object area from the updated level of the voxel. The plurality of core units that are multi-cores process level calculation and update of the voxel in parallel.

Description

의료 영상에 대한 3D 레벨 세트 분할 방법 및 장치{Level Set Segmentation method and apparatus for Medical Image}A 3D level set segmentation method and apparatus for a medical image TECHNICAL FIELD

본 발명은 3D 프린팅 응용 기술에 관한 것으로, 더욱 상세하게는 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 필요 크기를 최소화하여 영상크기에 관계없이 3D 레벨 세트 분할 알고리즘의 수행을 GPU의 멀티코어를 이용하여 빠르게 이행할 수 있게 하는 의료 영상에 대한 3D 레벨 세트 분할 방법 및 장치에 관한 것이다. The present invention relates to a 3D printing application technology, and more particularly, the execution of the 3D level set segmentation algorithm regardless of the image size by minimizing the memory required size for the execution of the 3D level set segmentation algorithm using multi-cores of the GPU. It relates to a method and apparatus for dividing a 3D level set for a medical image that enables rapid implementation.

3D 프린팅 응용 시장은 해마다 성장세에 있으며, 특히 의료 분야에서의 활용은 지속적으로 증가하여 향후 가장 큰 시장을 형성할 것으로 예상되고 있다. 이미 3D 프린팅은 수술 계획용 모형이나 특이 사례에 대한 의료진 또는 의학도들의 교육용 모형 등에 활용되고 있고 그 활용도도 증가하고 있다.The 3D printing application market is growing year by year, and it is expected to form the largest market in the future by steadily increasing its use, especially in the medical field. Already, 3D printing is being used as a model for surgery planning or an educational model for medical staff or medical students for specific cases, and its use is also increasing.

이러한 수술 시뮬레이션용 모형이나 의료 분야 교육용 모형 등의 제작을 위해서는 의료 영상을 분할(segmentation)하여 3D 모델을 만드는 과정이 요구된다. 상기 의료 영상 중 MRI 영상을 분할(segmentation)하는 방법은 여러가지가 있다. 그 방법 중 하나인 3D 레벨 세트 분할(Level Set Segmentation) 알고리즘을 개략적으로 도시한 것이 도 1이다. 상기 도 1을 참조하면 MRI 등과 같이 의료영상 데이터를 입력받아 레벨 세트 분할방식으로 오브젝트를 분할하고, 분할된 오브젝트는 3D 모델 생성을 위한 3D 데이터로 활용된다 In order to produce such a surgical simulation model or a medical education model, a process of creating a 3D model by segmenting a medical image is required. There are several methods of segmenting an MRI image among the medical images. FIG. 1 schematically illustrates a 3D level set segmentation algorithm, which is one of the methods. Referring to FIG. 1, medical image data such as MRI is received and an object is divided by a level set division method, and the divided object is used as 3D data for generating a 3D model.

상기한 3D 레벨 세트 분할 방법은 그 활용도가 매우 크지만 계산량이 많아 CPU(Central Processing Unit)에서 구현 및 구동시 수행 시간이 오래 걸리는 문제가 있었다. The above-described 3D level set division method has a very high utilization, but has a problem that it takes a long time to implement and run in a CPU (Central Processing Unit) due to a large amount of computation.

좀더 설명하면, 상기 의료 영상은 3차원 볼륨 데이터로 구성되며, 상기 3D 레벨 세트 분할(Level Set Segmentation) 알고리즘은 계산과정에서 3차원 메모리가 여러개 필요하며 전체 메모리는 10G ~ 20G Byte 이상 소요된다. More specifically, the medical image is composed of 3D volume data, and the 3D level set segmentation algorithm requires several 3D memories in the calculation process, and the total memory is 10G ~ 20G bytes or more.

도 2는 상기 3D 레벨 세트 분할(Level Set Segmentation) 알고리즘에 따르는 분할과정을 예시한 것으로, 대상 픽셀의 레벨이 기준값인 0보다 크면 오브젝트(object)로 판단하고, 0보다 같거나 작으면 배경(background)으로 판단한다. 이에 의료 영상에서 초기 시드 포인트(Seed point)가 설정되면, 상기 시드 포인트에 높은 레벨을 설정하고, 이 레벨을 영상에 맞게 확장하여 오브젝트 영역을 찾아내 분할하는 방법이다. 2 illustrates a segmentation process according to the 3D Level Set Segmentation algorithm. If the level of a target pixel is greater than 0, which is a reference value, it is determined as an object, and if it is less than or equal to 0, a background ). Accordingly, when an initial seed point is set in a medical image, a high level is set at the seed point, and the level is expanded to fit the image to find and segment an object area.

상기의 3D 레벨 세트 분할 알고리즘을 GPU에서 구현할 때에는 GPU의 메모리에 레벨과 속도함수 및 기타 계산에 필요한 변수의 배열들 모두를 할당하며, GPU의 멀티코어(multi-core)들은 각각 하나의 3차원 좌표를 할당받아 해당 좌표에 대한 레벨의 계산을 메모리에 저장된 배열들을 참조하여 각각 수행하여 레벨을 업데이트한다. 이러한 과정에서 기울기와 같은 인접 복셀(voxel) 값의 참조가 필요하면 메모리에 저장된 데이터를 참조한다. When the above 3D level set division algorithm is implemented in a GPU, all arrays of level and velocity functions and other variables necessary for calculation are allotted to the memory of the GPU, and the multi-cores of the GPU are each one 3D coordinate. Is allocated and the level is calculated by referring to arrays stored in the memory, respectively, to calculate the level for the corresponding coordinates to update the level. In this process, if it is necessary to refer to an adjacent voxel value such as a slope, the data stored in the memory is referred.

이러한 과정을 반복 수행하여 생성된 최종 레벨로 영역을 도출하는 방식인데, 이의 구현시 레벨과 속도함수 및 기타 계산에 필요한 변수의 배열들이 모두 원영상 크기의 3차원 배열로 구성되므로 필요한 메모리가 매우 커져서 처리할 수 있는 원영상의 크기에 제한이 발생하는 문제가 있었다. This is a method of deriving the area to the final level created by repeating this process.When implementing this, the level, velocity function, and arrays of variables necessary for other calculations are all composed of a three-dimensional array of the size of the original image, so the required memory becomes very large. There was a problem that the size of the original image that can be processed is limited.

이에 종래에는 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 크기를 최소화하여 영상크기에 관계없이 3D 레벨 세트 분할 알고리즘의 수행을 가능하게 할 수 있는 기술의 개발이 절실하게 요구되었다. Accordingly, there has been an urgent need to develop a technology capable of performing the 3D level set segmentation algorithm regardless of the image size by minimizing the memory size for performing the 3D level set segmentation algorithm.

대한민국 특허공개 제10-2018-0080786호(2018.07.13.)Korean Patent Publication No. 10-2018-0080786 (July 13, 2018) 대한민국 특허등록 제10-0613106호(2006.08.09)Korean Patent Registration No. 10-0613106 (2006.08.09) 대한민국 특허등록 제10-1471646호(2014.12.04.)Republic of Korea Patent Registration No. 10-1471646 (2014.12.04.)

본 발명은 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 필요 크기를 최소화하여 영상크기에 관계없이 3D 레벨 세트 분할 알고리즘의 수행을 GPU의 멀티코어를 이용하여 빠르게 이행할 수 있게 하는 의료 영상에 대한 3D 레벨 세트 분할 방법 및 장치를 제공하는 것을 그 목적으로 한다. The present invention is a 3D level for medical image that minimizes the memory required size for execution of the 3D level set segmentation algorithm, and enables the execution of the 3D level set segmentation algorithm to be quickly performed using the multi-core of the GPU regardless of the image size. It is an object of the present invention to provide a method and apparatus for dividing a set.

이를 위해, 본 발명의 일측면에 따르면, 의료 영상에 대한 3D 레벨 세트 분할 방법에 있어서, To this end, according to an aspect of the present invention, in a 3D level set segmentation method for a medical image,

GPU의 멀티 코어인 다수의 코어부 각각에 레벨 세트 데이터 벡터정보에 기록된 구조체 정보들에 대한 인덱스를 할당하는 단계; Allocating an index for the structure information recorded in the level set data vector information to each of a plurality of core units that are multi-cores of the GPU;

상기 인덱스를 할당받은 다수의 코어부 각각이 할당받은 인덱스에 대응되는 구조체 정보에 기록된 해당 복셀 및 그 복셀의 주변 복셀들에 대한 구조체 정보들을 독출하고, 상기 구조체 정보들을 토대로 해당 복셀의 레벨을 산출하고, 산출된 레벨로 해당 복셀의 레벨을 갱신하는 단계; 및 Each of the plurality of cores assigned the index reads the structure information of the voxel and the voxels around the voxel recorded in the structure information corresponding to the assigned index, and calculates the level of the voxel based on the structure information. And updating a level of a corresponding voxel with the calculated level; And

갱신된 복셀의 레벨들로 오브젝트 영역을 도출하는 단계;를 포함하며, Including; deriving an object region from the levels of the updated voxel,

상기 멀티 코어인 다수의 코어부는 상기 복셀의 레벨 산출 및 갱신을 병렬 처리하는 것을 특징으로 한다.The plurality of core units, which are multi-cores, may perform parallel processing of calculating and updating levels of the voxels.

또한, 상기 구조체 정보는 미리 정해둔 관심영역에 속한 복셀에 대한 좌표 및 레벨 계산을 위한 변수들임을 특징으로 한다.In addition, the structure information is characterized in that variables for calculating coordinates and levels for voxels belonging to a predetermined region of interest.

또한, 의료영상정보 및 속도함수, 시드 포인트(SEED POINT)를 설정받아, 상기 시드 포인트에서의 레벨로 오브젝트 영역을 도출하고, 오브젝트 영역을 중심으로 미리 정해둔 거리만큼 확장된 관심영역을 설정하는 단계;를 더 포함할 수 있다.In addition, receiving medical image information, a velocity function, and a seed point, deriving an object region at the level at the seed point, and setting an ROI extended by a predetermined distance around the object region. It may further include;

또한, 상기 레벨이 갱신될 때마다 상기 오브젝트 영역 및 관심영역은 재설정됨을 특징으로 한다.In addition, whenever the level is updated, the object area and the ROI are reset.

또한, 상기 관심영역이 설정되면, 상기 관심영역의 복셀들에 대한 구조체 정보들을 생성하고, 생성된 구조체 정보들을 레벨 세트 데이터 벡터 정보에 기록하는 단계; In addition, when the region of interest is set, generating structure information for voxels of the region of interest and recording the generated structure information in level set data vector information;

상기 레벨 세트 데이터 벡터 정보에 기록된 구조체 정보들에 대응되는 복셀들의 좌표에 대응되는 인덱스 배열 정보의 위치에 해당 구조체의 접근주소인 인덱스 정보를 기록하는 단계;를 더 포함할 수 있다.The method may further include recording index information, which is an access address of the structure, at a location of index arrangement information corresponding to coordinates of voxels corresponding to the structure information recorded in the level set data vector information.

또한, 상기 구조체는 벡터로 구성되며, 상기 인덱스 배열 정보는 3D 영상정보의 복셀의 좌표에 대응되게 인덱스 정보가 기록된 것임을 특징으로 한다.In addition, the structure is composed of a vector, and the index arrangement information is characterized in that the index information is recorded corresponding to the coordinates of the voxel of the 3D image information.

본 발명의 다른 측면에 따르면, 의료 영상에 대한 3D 레벨 세트 분할 장치에 있어서, According to another aspect of the present invention, in the 3D level set segmentation apparatus for a medical image,

구조체 정보들을 기록하는 레벨 세트 데이터 벡터정보를 저장하는 메모리부; 및 A memory unit for storing level set data vector information for recording structure information; And

내부의 멀티 코어인 다수의 코어부가 상기 레벨 세트 데이터 벡터정보에 기록된 구조체 정보들에 대한 인덱스를 할당받아, A plurality of cores, which are internal multi-cores, are assigned indexes for structure information recorded in the level set data vector information,

상기 인덱스를 할당받으면, 상기 인덱스에 대응되는 구조체 정보에 기록된 해당 복셀 및 그 복셀의 주변 복셀들에 대한 구조체 정보들을 상기 레벨 세트 데이터 벡터 정보로부터 독출하고, 상기 구조체 정보들을 토대로 해당 복셀의 레벨을 산출하고, 산출된 레벨로 해당 복셀의 레벨을 갱신하고, When the index is assigned, structure information on the corresponding voxel recorded in the structure information corresponding to the index and the voxels surrounding the voxel is read from the level set data vector information, and the level of the corresponding voxel is determined based on the structure information. Calculated, and updated the level of the voxel with the calculated level,

갱신된 복셀의 레벨들로 오브젝트 영역을 도출하는 GPU;를 포함하며,Includes; a GPU for deriving the object region from the updated voxel levels,

상기 멀티 코어인 다수의 코어부는 상기 복셀의 레벨 산출 및 갱신을 병렬 처리하는 것을 특징으로 한다.The plurality of core units, which are multi-cores, may perform parallel processing of calculating and updating levels of the voxels.

또한, 상기 구조체 정보는 미리 정해둔 관심영역에 속한 복셀에 대한 좌표 및 레벨 계산을 위한 변수들임을 특징으로 한다.In addition, the structure information is characterized in that variables for calculating coordinates and levels for voxels belonging to a predetermined region of interest.

또한, 상기 GPU가 의료영상정보 및 속도함수, 시드 포인트(SEED POINT)를 설정받아, 상기 시드 포인트에서의 레벨로 오브젝트 영역을 도출하고, 오브젝트 영역을 중심으로 미리 정해둔 거리만큼 확장된 관심영역을 설정함을 특징으로 한다.In addition, the GPU receives medical image information, a velocity function, and a seed point, derives an object region at the level at the seed point, and determines an ROI extended by a predetermined distance around the object region. It is characterized by setting.

또한, 상기 GPU가, 상기 레벨이 갱신될 때마다 상기 오브젝트 영역 및 관심영역은 재설정함을 특징으로 한다.In addition, the GPU is characterized in that the object area and the ROI are reset whenever the level is updated.

또한, 상기 GPU가, 상기 관심영역이 설정되면, 상기 관심영역의 복셀들에 대한 구조체 정보들을 생성하고, 생성된 구조체 정보들을 레벨 세트 데이터 벡터 정보에 기록하고, 상기 레벨 세트 데이터 벡터 정보에 기록된 구조체 정보들에 대응되는 복셀들의 좌표에 대응되는 인덱스 배열 정보의 위치에 해당 구조체의 접근주소인 인덱스 정보를 기록하는 것을 특징으로 한다.In addition, when the region of interest is set, the GPU generates structure information for voxels of the region of interest, records the generated structure information in level set data vector information, and recorded in the level set data vector information. It is characterized in that index information, which is an access address of a corresponding structure, is recorded at a location of index array information corresponding to coordinates of voxels corresponding to the structure information.

또한, 상기 구조체는 벡터로 구성되며, 상기 인덱스 배열 정보는 3D 영상정보의 복셀의 좌표에 대응되게 인덱스 정보가 기록된 것임을 특징으로 한다.In addition, the structure is composed of a vector, and the index arrangement information is characterized in that the index information is recorded corresponding to the coordinates of the voxel of the 3D image information.

본 발명은 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 필요 크기를 최소화하여 영상크기에 관계없이 3D 레벨 세트 분할 알고리즘의 수행을 GPU의 멀티코어를 이용하여 빠르게 이행할 수 있게 효과를 야기한다. The present invention minimizes the amount of memory required for the execution of the 3D level set partitioning algorithm, thereby causing an effect that the execution of the 3D level set partitioning algorithm can be quickly performed using the multi-core of the GPU regardless of the image size.

도 1은 일반적인 3D 레벨 세트 분할과정을 개략적으로 도시한 도면.
도 2는 일반적인 3D 레벨 세트 분할 알고리즘을 예시한 도면.
도 3은 본 발명의 바람직한 실시예에 따르는 3D 레벨 세트 분할 장치의 구성을 도시한 도면.
도 4는 본 발명의 바람직한 실시예에 따르는 3D 레벨 세트 분할 장치의 상세구성을 도시한 도면.
도 5는 본 발명의 바람직한 실시예에 따르는 구조체정보의 구조를 예시한 도면.
도 6은 본 발명의 바람직한 실시예에 따르는 3D 레벨 세트 분할 방법의 절차도. 1 is a diagram schematically showing a general 3D level set segmentation process.
2 is a diagram illustrating a general 3D level set segmentation algorithm.
3 is a diagram showing the configuration of a 3D level set dividing apparatus according to a preferred embodiment of the present invention.
4 is a diagram showing a detailed configuration of a 3D level set dividing apparatus according to a preferred embodiment of the present invention.
5 is a diagram illustrating the structure of structure information according to a preferred embodiment of the present invention.
6 is a flowchart of a method for dividing a 3D level set according to a preferred embodiment of the present invention.

본 발명은 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 필요 크기를 최소화하여 영상크기에 관계없이 3D 레벨 세트 분할 알고리즘을 GPU의 멀티코어를 이용하여 수행할 수 있게 한다. The present invention minimizes the amount of memory required for the execution of the 3D level set partitioning algorithm, so that the 3D level set partitioning algorithm can be performed using multi-cores of the GPU regardless of the image size.

본 발명은 원 의료영상에 대한 3D 데이터 중 오브젝트를 분할할 때에 사용되는 관심영역에 대해서만 원 의료영상의 값과 계산이 필요한 변수들을 구조체 정보의 멤버들로 구성하여 저장하고, 이 구조체 정보들 각각에 대한 접근주소인 인덱스 정보를 원 의료영상에 대응되는 3D 데이터로 구성한 인덱스 배열정보에 기록하여, 3D 레벨 세트 분할시에 사용하여, 3D 레벨 세트 분할 알고리즘의 수행을 위한 메모리 필요크기를 최소화한다. 특히 상기의 구조체 정보는 벡터(VECTOR)의 구조를 가진다. The present invention configures and stores the values of the original medical image and variables that need to be calculated only for the region of interest used when dividing the object among 3D data for the original medical image, and stores the structure information in each of the structure information. The index information, which is the access address for the original medical image, is recorded in the index array information composed of 3D data corresponding to the original medical image, and is used when dividing the 3D level set, thereby minimizing the memory required size for the execution of the 3D level set segmentation algorithm. In particular, the above structure information has a structure of a vector (VECTOR).

이러한 본 발명에 따르는 3D 레벨 세트 분할 장치 및 방법을 도면을 참조하여 상세히 설명한다. An apparatus and method for dividing a 3D level set according to the present invention will be described in detail with reference to the drawings.

<3D 레벨 세트 분할 장치의 구성><Configuration of 3D level set dividing device>

도 3 및 도 4는 본 발명의 바람직한 실시예에 따르는 3D 레벨 세트 분할 장치의 구성을 도시한 것이다.3 and 4 show the configuration of a 3D level set dividing apparatus according to a preferred embodiment of the present invention.

상기 3D 레벨 세트 분할 장치는 GPU(100)와 메모리부(200)로 구성되어, 현재의 레벨에서 오브젝트와 배경의 경계를 찾고 경계 지역에서 영역을 특정 voxel만큼 확장시켜 관심영역을 설정한 후, 관심영역의 voxel들을 구조체 벡터에 추가한다. 다음으로, 앞서 만들어진 구조체 벡터를 메모리부(200)에도 동일하게 설정하고 데이터를 복사하고 GPU(100)에서의 계산을 수행한다. 또한, GPU(100)는 멀티코어(multi-core)인 다수의 코어부(1041~104N)를 포함한다. 이에, GPU(100)의 다수의 코어부(1041~104N)는 각각의 구조체 벡터 항목들에게 할당되어 계산을 수행하고 구조체 내 정의된 x, y, z 위치에 변경된 레벨을 저장한다. 따라서, 결과적으로 관심영역들에 대해 GPU 병렬처리가 수행되어 결과 레벨을 저장되며, 한 단계가 끝나면 다시 첫 번째 단계로 돌아가서 변경된 레벨에서 관심영역을 찾고 관심영역에 대해 GPU 병렬처리로 계산을 수행하는 과정이 되풀이되어 최종 결과를 얻을 수 있게 된다. The 3D level set dividing apparatus is composed of the GPU 100 and the memory unit 200, finds the boundary between the object and the background at the current level, expands the region by a specific voxel in the boundary region, sets the region of interest, and then sets the region of interest. Add the voxels of the region to the structure vector. Next, the previously created structure vector is set in the same manner in the memory unit 200, data is copied, and the GPU 100 performs calculation. In addition, the GPU 100 includes a plurality of core units 1041 to 104N that are multi-core. Accordingly, the plurality of core units 1041 to 104N of the GPU 100 are allocated to each of the structure vector items to perform calculations and store the changed levels in the x, y, and z positions defined in the structure. Therefore, as a result, GPU parallel processing is performed on the ROI to store the result level, and after one step is finished, it goes back to the first step to find the ROI at the changed level and perform calculations on the ROI by GPU parallel processing. The process is repeated so that the final result can be obtained.

좀더 부연하여 설명하면, GPU(100)는, 시드(SEED) 포인트가 설정되면 시드(SEED) 포인트의 레벨을 기준으로 오브젝트 영역을 도출하고 그 도출된 오브젝트 영역에서 일정 거리로 확장한 관심영역을 설정하고, 관심영역의 복셀(VOXEL)들에 대한 원 의료영상의 값과 레벨 계산이 필요한 변수들로 구성되는 구조체 정보들을 생성한다. 이때, 다수의 코어부(1041~104N) 각각은 관심영역의 복셀(VOXEL)들에 대해 레벨을 산출하고 산출된 레벨을 토대로 오브젝트 영역을 다시 도출하는 과정을 병렬로 반복하여 수행한다. 이러한 과정을 거쳐 최종 레벨이 결정되면, 상기 GPU(100)는 상기 최종 레벨을 토대로 오브젝트 영역을 도출한다. 상기한 바와 같이 본 발명은 관심영역에 대해서면 레벨 갱신 및 오브젝트 영역의 도출을 위한 정보만을 메모리부(200)에 기록하므로, 메모리 요구량을 현격하게 감소할 수 있다. 또한 다수의 코어부(1041~104N)는 복셀들에 대한 레벨 산출 과정을 병렬처리하므로, 3D 의료영상정보에 대한 빠른 처리가 가능해진다. To be more elaborated, the GPU 100 derives an object area based on the level of the SEED point when the seed (SEED) point is set, and sets a region of interest extended by a predetermined distance from the derived object area. Then, the structure information consisting of variables that need to calculate the value and level of the original medical image for the voxels of the ROI are generated. At this time, each of the plurality of core units 1041 to 104N repeats a process of calculating a level for the voxels of the ROI and deriving an object region based on the calculated level in parallel. When the final level is determined through this process, the GPU 100 derives an object area based on the final level. As described above, since the present invention records only information for level updating and derivation of an object region for an ROI, the memory requirement can be significantly reduced. In addition, since the plurality of core units 1041 to 104N parallelly process the level calculation process for voxels, it is possible to quickly process 3D medical image information.

상기 메모리부(200)는 상기 GPU(100)의 처리 프로그램을 포함하는 다양한 정보를 저장하며, 특히 3D 의료영상정보와 레벨 세트 데이터 벡터정보와 인덱스 배열정보를 저장한다. 상기 3D 의료영상정보는 원 의료영상에 대한 정보이다. 그리고 상기 레벨 세트 데이터 벡터정보는 시드 포인트의 레벨을 기준으로 도출한 오브젝트 영역에서 일정 거리 확장된 관심영역에 포함되는 복셀들에 대한 원 의료영상 값과 레벨 계산이 필요한 변수들로 구성된 벡터정보인 구조체 정보들이 기록된 것이다. 이처럼, 원영상 값과 계산에 변수들을 각각의 배열 형태가 아니라 구조체 정보로 구성하고, 상기 구조체를 벡터(vector)로 설정한다.The memory unit 200 stores various information including a processing program of the GPU 100, and in particular, stores 3D medical image information, level set data vector information, and index arrangement information. The 3D medical image information is information on the original medical image. In addition, the level set data vector information is a structure that is vector information consisting of variables requiring level calculation and original medical image values for voxels included in the ROI extended by a certain distance from the object area derived based on the level of the seed point. The information was recorded. In this way, variables in the original image value and calculation are configured as structure information rather than in the form of individual arrays, and the structure is set as a vector.

가령, 상기 구조체 정보는, 도 5에 도시한 바와 같이 복셀의 위치정보(int x; int y; int z;)와 레벨 계산에 필요한 변수들(float phi; vec3f dphi; float g; vec3 dg; float dphi_norm; vec3f N;)로 구성된다. 상기 인덱스 배열정보에는 3D 의료영상정보에 대응되며, 상기 3D 의료영상정보의 복셀들의 좌표들(x,y,z) 각각에 대한 구조체 정보들이 기록된 레벨 세트 데이터 벡터정보의 접근 주소 정보인 인덱스 정보가 기록된다. For example, the structure information includes voxel position information (int x; int y; int z;) and variables necessary for level calculation (float phi; vec3f dphi; float g; vec3 dg; float), as shown in FIG. 5. It consists of dphi_norm; vec3f N;). The index arrangement information corresponds to 3D medical image information, and is index information which is the access address information of the level set data vector information in which the structure information for each of the coordinates (x, y, z) of the voxels of the 3D medical image information is recorded. Is recorded.

이제 상기 본 발명의 3D 레벨 세트 분할 장치에 적용 가능한 3D 레벨 세트 분할 방법을 도면을 참조하여 설명한다. Now, a 3D level set dividing method applicable to the 3D level set dividing apparatus of the present invention will be described with reference to the drawings.

<3D 레벨 세트 분할 방법의 절차><Procedure of the 3D level set division method>

도 6은 본 발명의 바람직한 실시예에 따르는 3D 레벨 세트 분할 방법의 흐름도를 도시한 것이다. 상기 도 6을 참조하면, GPU(100)는 의료영상정보 및 속도함수, 시드 포인트(SEED POINT)가 설정되면(300,302,304단계), 시드 포인트에서의 레벨인 현재 레벨에서의 오브젝트 영역을 도출하고, 오브젝트 영역을 중심으로 미리정해둔 거리만큼 확장된 관심영역을 설정한다(306단계). 6 is a flowchart illustrating a method of dividing a 3D level set according to a preferred embodiment of the present invention. 6, when the medical image information, the speed function, and the seed point are set (steps 300, 302, and 304), the GPU 100 derives the object area at the current level, which is the level at the seed point, and A region of interest extended by a predetermined distance from the center of the region is set (step 306).

상기 관심영역이 설정되면, 상기 GPU(100)는 관심영역의 복셀들에 대한 구조체 정보를 생성하고, 생성된 구조체 정보를 레벨 세트 데이터 벡터 정보에 기록한다(308단계). 상기 구조체 정보는 복셀의 위치정보(int x; int y; int z;)와 레벨 계산에 필요한 변수들(float phi; vec3f dphi; float g; vec3 dg; float dphi_norm; vec3f N;)로 구성된다. 여기서, 레벨 계산에 필요한 변수들은 이미 공지된 것으로 상세한 설명은 생략한다. When the region of interest is set, the GPU 100 generates structure information for voxels of the region of interest, and records the generated structure information in level set data vector information (step 308). The structure information is composed of voxel position information (int x; int y; int z;) and variables necessary for level calculation (float phi; vec3f dphi; float g; vec3 dg; float dphi_norm; vec3f N;). Here, the variables required for level calculation are already known and detailed descriptions thereof will be omitted.

이후 상기 GPU(100)는 레벨 세트 데이터 벡터 정보에 기록된 구조체 정보들에 대응되는 복셀들의 좌표에 대응되는 인덱스 배열정보의 위치에 해당 구조체 정보의 접근주소인 인덱스 정보를 기록한다(310단계).Thereafter, the GPU 100 records index information, which is an access address of the structure information, at a location of the index array information corresponding to the coordinates of voxels corresponding to the structure information recorded in the level set data vector information (step 310).

이후 GPU(100)는 멀티 코어인 다수의 코어부(1041~104N) 각각에 상기 레벨 세트 데이터 벡터정보에 기록된 구조체 정보들에 대한 인덱스를 할당한다(312단계). 상기 인덱스가 할당된 멀티 코어인 다수의 코어부(1041~104N) 각각은 메모리에서 해당 인덱스에 대응되는 구조체 정보에 기록된 복셀과 그 복셀의 주변 복셀들에 대한 구조체 정보들을 독출하고, 상기 구조체 정보들을 토대로 해당 복셀의 레벨을 새로이 산출한다(314단계). 여기서, 상기 복셀의 레벨 산출과정은 이미 공지된 것이므로 그 상세한 설명은 생략한다. Thereafter, the GPU 100 allocates indexes for the structure information recorded in the level set data vector information to each of the plurality of core units 1041 to 104N, which are multi-cores (step 312). Each of the plurality of core portions 1041 to 104N, which is a multi-core to which the index is allocated, reads the voxel recorded in the structure information corresponding to the corresponding index in the memory and structure information about voxels around the voxel, and the structure information Based on these, the level of the corresponding voxel is newly calculated (step 314). Here, since the voxel level calculation process is already known, a detailed description thereof will be omitted.

상기한 바와 같이 복셀의 레벨 산출이 완료되면, 각각의 멀티 코어가 산출된 레벨로 해당되는 복셀들의 레벨들을 갱신한다(316단계). When the voxel level calculation is completed as described above, the levels of the corresponding voxels are updated to the level calculated by each multi-core (step 316).

이러한 복셀의 레벨 산출 및 갱신이 미리 정해둔 횟수, 즉 관심 영역으로 설정된 모든 복셀들에 대한 레벨의 갱신이 이루어지지 않았다면, 상기의 306단계로 복귀하여 나머지 복셀에 대한 레벨의 갱신을 반복하여 이행한다. If such voxel level calculation and update is performed at a predetermined number of times, that is, if the level of all voxels set as the region of interest has not been updated, the process returns to step 306 and repeats the level of the remaining voxels. .

이와 달리 복셀의 레벨 산출 및 갱신이 미리 정해둔 횟수, 즉 관심 영역으로 설정된 모든 복셀들에 대한 레벨이 갱신되었다면, 최종으로 갱신된 레벨값을 토대로 오브젝트 영역을 도출한다(320단계). On the contrary, if the number of times the voxel level is calculated and updated in advance, that is, the levels for all voxels set as the ROI, has been updated, the object region is derived based on the finally updated level value (step 320).

이와 같이 본 발명은 모든 좌표의 데이터((float phi; vec3f dphi; float g; vec3 dg; float dphi_norm; vec3f N;)가 3차원 배열 형태로 메모리에 기록하는 것이 아니라 관심 영역 좌표들의 데이터만 벡터 형태로 메모리에 기록한다. 또한 레벨 산출을 위해 주변 복셀(voxel) 값을 참조하기 위해 각 좌표의 인덱스 정보(vector index)를 인덱스(index) 배열정보에 따로 저장하고, 원하는 좌표의 데이터 참조시 해당 좌표의 인덱스(index)를 참조한 후, 레벨 세트 데이터 벡터(level set data vector)에서 해당 인덱스(index)를 참조함으로써 원하는 데이터의 참조가 가능하다. As described above, the present invention does not write data of all coordinates ((float phi; vec3f dphi; float g; vec3 dg; float dphi_norm; vec3f N;) in the memory in the form of a three-dimensional array, but only the data of the coordinates of the ROI In addition, to refer to the surrounding voxel value for level calculation, the vector index of each coordinate is separately stored in the index array information, and when referring to the data of the desired coordinate, the corresponding coordinate After referring to the index of, desired data can be referenced by referring to the corresponding index in the level set data vector.

이러한 본 발명에 따르는 GPU 레벨 세트 분할 알고리즘은 의료영상의 크기에 제한을 받지 않고 GPU의 병렬처리를 이용하여 매우 빠른 속도로 구동될 수 있어, 의료영상의 분할 작업 및 이를 통한 의료영상기반 인체 3D 모델 생성에 도움을 주며 수술계획 및 교육 등 여러 가지 활용에 기여할 것으로 기대한다. The GPU level set segmentation algorithm according to the present invention is not limited by the size of the medical image and can be driven at a very high speed using the parallel processing of the GPU. It is expected to help in creation and contribute to various uses such as surgery planning and education.

상기한 바와 같은, 본 발명의 실시예들에서 설명한 기술적 사상들은 각각 독립적으로 실시될 수 있으며, 서로 조합되어 실시될 수 있다. 또한, 본 발명은 도면 및 발명의 상세한 설명에 기재된 실시예를 통하여 설명되었으나 이는 예시적인 것에 불과하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.As described above, the technical ideas described in the embodiments of the present invention may be implemented independently, respectively, and may be implemented in combination with each other. In addition, the present invention has been described through the embodiments described in the drawings and the detailed description of the invention, but this is only illustrative, and various modifications and equivalent other embodiments are provided from those of ordinary skill in the art to which the present invention pertains. It is possible. Therefore, the technical protection scope of the present invention should be determined by the appended claims.

100 : GPU
1041~ 104N : 다수의 코어부
200 : 메모리부100: GPU
1041~ 104N: multiple cores
200: memory unit

Claims (12)

의료 영상에 대한 3D 레벨 세트 분할 방법에 있어서,
GPU의 멀티 코어인 다수의 코어부 각각에 레벨 세트 데이터 벡터정보에 기록된 구조체 정보들에 대한 인덱스를 할당하는 단계;
상기 인덱스를 할당받은 다수의 코어부 각각이 할당받은 인덱스에 대응되는 구조체 정보에 기록된 해당 복셀 및 그 복셀의 주변 복셀들에 대한 구조체 정보들을 독출하고, 상기 구조체 정보들을 토대로 해당 복셀의 레벨을 산출하고, 산출된 레벨로 해당 복셀의 레벨을 갱신하는 단계; 및
갱신된 복셀의 레벨들로 오브젝트 영역을 도출하는 단계;를 포함하며,
상기 멀티 코어인 다수의 코어부는 상기 복셀의 레벨 산출 및 갱신을 병렬 처리하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.In the 3D level set segmentation method for a medical image,
Allocating an index for the structure information recorded in the level set data vector information to each of a plurality of core units that are multi-cores of the GPU;
Each of the plurality of cores assigned the index reads the structure information of the voxel and the voxels surrounding the voxel recorded in the structure information corresponding to the assigned index, and calculates the level of the voxel based on the structure information. And updating a level of a corresponding voxel with the calculated level; And
Including; deriving an object region from the levels of the updated voxel,
The plurality of core units, which are multi-cores, perform parallel processing of calculating and updating the levels of the voxels. 제1항에 있어서,
상기 구조체 정보는 미리 정해둔 관심영역에 속한 복셀에 대한 좌표 및 레벨 계산을 위한 변수들인 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.The method of claim 1,
The structure information is a 3D level set segmentation method for a medical image, characterized in that variables for calculating coordinates and levels of voxels belonging to a predetermined region of interest. 제1항에 있어서,
의료영상정보 및 속도함수, 시드 포인트(SEED POINT)를 설정받아, 상기 시드 포인트에서의 레벨로 오브젝트 영역을 도출하고, 오브젝트 영역을 중심으로 미리 정해둔 거리만큼 확장된 관심영역을 설정하는 단계;를 더 포함하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.The method of claim 1,
Receiving medical image information, a velocity function, and a seed point, deriving an object region at a level at the seed point, and setting an ROI extended by a predetermined distance around the object region; 3D level set segmentation method for a medical image, characterized in that it further comprises. 제3항에 있어서,
상기 레벨이 갱신될 때마다 상기 오브젝트 영역 및 관심영역은 재설정됨을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.The method of claim 3,
The 3D level set segmentation method for a medical image, characterized in that the object area and the ROI are reset whenever the level is updated. 제3항에 있어서,
상기 관심영역이 설정되면, 상기 관심영역의 복셀들에 대한 구조체 정보들을 생성하고, 생성된 구조체 정보들을 레벨 세트 데이터 벡터 정보에 기록하는 단계;
상기 레벨 세트 데이터 벡터 정보에 기록된 구조체 정보들에 대응되는 복셀들의 좌표에 대응되는 인덱스 배열 정보의 위치에 해당 구조체의 접근주소인 인덱스 정보를 기록하는 단계;를 더 포함하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.The method of claim 3,
When the region of interest is set, generating structure information for voxels of the region of interest and recording the generated structure information in level set data vector information;
And recording index information, which is an access address of the structure, at a location of index arrangement information corresponding to coordinates of voxels corresponding to the structure information recorded in the level set data vector information. How to split a 3D level set for. 제5항에 있어서,
상기 구조체는 벡터로 구성되며,
상기 인덱스 배열 정보는 3D 영상정보의 복셀의 좌표에 대응되게 인덱스 정보를 기록하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 방법.The method of claim 5,
The structure is composed of vectors,
The index arrangement information is a 3D level set segmentation method for a medical image, characterized in that to record the index information corresponding to the coordinates of the voxel of the 3D image information. 의료 영상에 대한 3D 레벨 세트 분할 장치에 있어서,
구조체 정보들을 기록하는 레벨 세트 데이터 벡터정보를 저장하는 메모리부; 및
내부의 멀티 코어인 다수의 코어부가 상기 레벨 세트 데이터 벡터정보에 기록된 구조체 정보들에 대한 인덱스를 할당받아,
상기 인덱스를 할당받으면, 상기 인덱스에 대응되는 구조체 정보에 기록된 해당 복셀 및 그 복셀의 주변 복셀들에 대한 구조체 정보들을 상기 레벨 세트 데이터 벡터 정보로부터 독출하고, 상기 구조체 정보들을 토대로 해당 복셀의 레벨을 산출하고, 산출된 레벨로 해당 복셀의 레벨을 갱신하고,
갱신된 복셀의 레벨들로 오브젝트 영역을 도출하는 GPU;를 포함하며,
상기 멀티 코어인 다수의 코어부는 상기 복셀의 레벨 산출 및 갱신을 병렬 처리하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치.In the 3D level set segmentation apparatus for medical images,
A memory unit for storing level set data vector information for recording structure information; And
A plurality of cores, which are internal multi-cores, are assigned indexes for structure information recorded in the level set data vector information,
When the index is assigned, structure information on the corresponding voxel recorded in the structure information corresponding to the index and the voxels surrounding the voxel is read from the level set data vector information, and the level of the corresponding voxel is determined based on the structure information. Calculated, and updated the level of the voxel with the calculated level,
Includes; a GPU for deriving the object region from the updated voxel levels,
The plurality of core units, which are multi-cores, perform parallel processing of calculating and updating the levels of the voxels. 제7항에 있어서,
상기 구조체 정보는 미리 정해둔 관심영역에 속한 복셀에 대한 좌표 및 레벨 계산을 위한 변수들인 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치.The method of claim 7,
The structure information is a 3D level set segmentation apparatus for a medical image, characterized in that variables for calculating coordinates and levels of voxels belonging to a predetermined region of interest. 제7항에 있어서,
상기 GPU가 의료영상정보 및 속도함수, 시드 포인트(SEED POINT)를 설정받아, 상기 시드 포인트에서의 레벨로 오브젝트 영역을 도출하고, 오브젝트 영역을 중심으로 미리 정해둔 거리만큼 확장된 관심영역을 설정함을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치.The method of claim 7,
The GPU receives medical image information, a speed function, and a seed point, derives an object region at the level at the seed point, and sets an ROI extended by a predetermined distance around the object region. 3D level set segmentation apparatus for a medical image, characterized in that. 제9항에 있어서,
상기 GPU가, 상기 레벨이 갱신될 때마다 상기 오브젝트 영역 및 관심영역은 재설정함을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치.The method of claim 9,
The apparatus for dividing a 3D level set for a medical image, wherein the GPU resets the object area and the ROI whenever the level is updated. 제9항에 있어서,
상기 GPU가, 상기 관심영역이 설정되면, 상기 관심영역의 복셀들에 대한 구조체 정보들을 생성하고, 생성된 구조체 정보들을 레벨 세트 데이터 벡터 정보에 기록하고,
상기 레벨 세트 데이터 벡터 정보에 기록된 구조체 정보들에 대응되는 복셀들의 좌표에 대응되는 인덱스 배열 정보의 위치에 해당 구조체의 접근주소인 인덱스 정보를 기록하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치.The method of claim 9,
When the region of interest is set, the GPU generates structure information for voxels of the region of interest, and records the generated structure information in level set data vector information,
3D level set segmentation for a medical image, characterized in that index information, which is an access address of a corresponding structure, is recorded at a location of index array information corresponding to coordinates of voxels corresponding to the structure information recorded in the level set data vector information. Device. 제11항에 있어서,
상기 구조체는 벡터로 구성되며,
상기 인덱스 배열 정보는 3D 영상정보의 복셀의 좌표에 대응되게 인덱스 정보를 기록하는 것을 특징으로 하는 의료 영상에 대한 3D 레벨 세트 분할 장치. The method of claim 11,
The structure is composed of vectors,
The 3D level set segmentation apparatus for a medical image, wherein the index arrangement information records index information corresponding to the coordinates of voxels of the 3D image information.
KR1020190129658A 2019-10-18 2019-10-18 Level Set Segmentation method and apparatus for Medical Image KR102308059B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190129658A KR102308059B1 (en) 2019-10-18 2019-10-18 Level Set Segmentation method and apparatus for Medical Image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190129658A KR102308059B1 (en) 2019-10-18 2019-10-18 Level Set Segmentation method and apparatus for Medical Image

Publications (2)

Publication Number Publication Date
KR20210046889A true KR20210046889A (en) 2021-04-29
KR102308059B1 KR102308059B1 (en) 2021-10-06

Family

ID=75728172

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190129658A KR102308059B1 (en) 2019-10-18 2019-10-18 Level Set Segmentation method and apparatus for Medical Image

Country Status (1)

Country Link
KR (1) KR102308059B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100613106B1 (en) 1999-09-17 2006-08-17 삼성전자주식회사 An index assignment method for coding based on Tree-Structured Vector Quantization
KR101471646B1 (en) 2012-08-21 2014-12-26 인하대학교 산학협력단 Parallel processing of 3D medical image registration by GP-GPU
US20160003928A1 (en) * 2013-03-27 2016-01-07 Duke University Mri with repeated k-t -sub-sampling and artifact minimization allowing for free breathing abdominal mri
US20160260224A1 (en) * 2013-10-28 2016-09-08 London Health Sciences Centre Research Inc. Method and apparatus for analyzing three-dimensional image data of a target region of a subject
KR20180080786A (en) 2017-01-05 2018-07-13 한국전자통신연구원 Data processing method for 3d printing and appratus therefor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100613106B1 (en) 1999-09-17 2006-08-17 삼성전자주식회사 An index assignment method for coding based on Tree-Structured Vector Quantization
KR101471646B1 (en) 2012-08-21 2014-12-26 인하대학교 산학협력단 Parallel processing of 3D medical image registration by GP-GPU
US20160003928A1 (en) * 2013-03-27 2016-01-07 Duke University Mri with repeated k-t -sub-sampling and artifact minimization allowing for free breathing abdominal mri
US20160260224A1 (en) * 2013-10-28 2016-09-08 London Health Sciences Centre Research Inc. Method and apparatus for analyzing three-dimensional image data of a target region of a subject
KR20180080786A (en) 2017-01-05 2018-07-13 한국전자통신연구원 Data processing method for 3d printing and appratus therefor

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Gavin Young, IOWA State Univ. Graduate Theses (2017) 1부.* *

Also Published As

Publication number Publication date
KR102308059B1 (en) 2021-10-06

Similar Documents

Publication Publication Date Title
US8253730B1 (en) System and method for construction of data structures for ray tracing using bounding hierarchies
CN105469440B (en) Method and apparatus for generating and traversing acceleration structures
CN109544568A (en) Destination image partition method, device and equipment
US8792708B2 (en) Method and apparatus for rendering a three-dimensional object from a two-dimensional image
US20150235392A1 (en) Drawing data generation device and image drawing device
US11189096B2 (en) Apparatus, system and method for data generation
US20090079736A1 (en) Information processing apparatus and program
Yuan et al. Feature preserving multiresolution subdivision and simplification of point clouds: A conformal geometric algebra approach
JP2006513483A (en) How to segment a 3D structure
CN114693856B (en) Object generation method and device, computer equipment and storage medium
CN116071519A (en) Image processing method and device for generating grid model based on harmonic mapping
KR102308059B1 (en) Level Set Segmentation method and apparatus for Medical Image
CN111402422B (en) Three-dimensional surface reconstruction method and device and electronic equipment
CN106202247B (en) A kind of collision checking method based on longitude and latitude
JP2020177666A (en) Chamber reconstruction from partial volume
Jahanshahloo et al. Reconstruction of 3D shapes with B-spline surface using diagonal approximation BFGS methods
KR100843292B1 (en) Apparatus and Method for Ray Tracing Using Lookup Table
CN109887081A (en) A kind of terrain generation method
TW202234266A (en) Performing tensor operations using a programmable control engine
KR101467735B1 (en) Method and Apparatus for 4D Real-time Rendering for Volume Data
JP6802129B2 (en) Information processing equipment, methods and programs
US20230419561A1 (en) Three-dimensional model rendering method and apparatus, device, storage medium, and program product
KR20170025993A (en) Method for generating and traverse acceleration structure
JP2020075063A (en) Image interpolation/organ extraction device and program thereof
JP3624015B2 (en) Method and apparatus for extracting edges, faces and elements from a finite element division model

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant