針對DSA醫(yī)學圖像去噪的研究及GPU加速.pdf

1、近幾年血管疾病高發(fā)，其危害已超過傳染性疾病，成為我國威脅居民健康最大類疾病。診斷此類疾病變得尤為重要，而DSA（Digital Subtraction Angiography，數(shù)字減影血管造影）醫(yī)學圖像在血管造影方面又有著舉足輕重的地位。然而DSA醫(yī)學圖像在攝制、儲存、處理和傳遞過程中，將不可避免地會引入圖像的降質(zhì)、模糊以及噪聲的干擾，采集到的圖像信息及特征會衰減、被掩蓋，甚至出現(xiàn)模糊。但又由于DSA醫(yī)學圖像分辨率高，所以無論使用何種去

2、噪算法都將會很耗時，傳統(tǒng)的串行計算難以滿足醫(yī)學圖像對去噪實時性較高的要求。因此，嚴重影響了醫(yī)生對病人病情的診斷。
　　本論文主要工作及創(chuàng)新包括以下幾部分：
　　第一，分析了DSA醫(yī)學圖像噪聲，針對其噪聲建立了圖像降質(zhì)和復(fù)原模型，并選擇了實驗噪聲模型。構(gòu)建了針對DSA醫(yī)學圖像的評價體系。對DSA醫(yī)學圖像去噪的耗時性進行了分析，并提出了針對帶噪DSA醫(yī)學圖像去噪采用GPU（Graphics Processing Unit，圖形處

3、理單元）加速的方法。
　　第二，提出并實現(xiàn)了針對DSA醫(yī)學圖像噪聲使用KNN（K Nearest Neighbors，K最近鄰）算法去噪并進行GPU加速的方法。針對帶噪DSA醫(yī)學圖像進行KNN算法的參數(shù)選擇，并對其進行了串行化實現(xiàn)，實驗表明，KNN算法對帶有高斯噪聲的DSA醫(yī)學圖像去除效果最好。通過CUDA（Compute Unified Device Architecture，計算統(tǒng)一設(shè)備架構(gòu)）平臺對KNN算法進行了單GPU系統(tǒng)

4、與多GPU系統(tǒng)的并行化實現(xiàn)，并分別得到最大73.38和148.2倍的加速比。
　　第三，提出并實現(xiàn)了針對DSA醫(yī)學圖像噪聲使用NLM（Non-local Means，非局部均值）算法去噪并進行GPU加速的方法。針對帶噪DSA醫(yī)學圖像使用NLM算法及其改進后的快速NLM算法進行了實現(xiàn)及GPU加速，實驗表明，算法對帶有高斯噪聲的DSA醫(yī)學圖像去除效果最好，并行化實現(xiàn)后，分別得到最大158.8和72.9倍的加速比。
　　第四，對比