学位论文 > 优秀研究生学位论文题录展示

数字脑—计算解剖学方法及GPU技术应用的研究

作　者: 吴仲乐
导　师: 罗立民
学　校: 东南大学
专　业: 生物医学工程
关键词: 计算解剖学数字人脑图谱脑皮层分块模糊聚类空间聚类体绘制 GPU
分类号: R322
类　型: 博士论文
年　份: 2005年
下　载: 347次
引　用: 2次
阅　读: 论文下载

内容摘要

随着人脑成像技术的发展,脑成像在脑科学和神经科学,神经外科等研究中具有越来越重要的地位。为对从个体人脑数据到人群中脑数据进行形态和功能的分析、比较,迫切需要研究数学方法和有效的计算手段,计算解剖学这一学科应运而生。针对人脑数据的计算神经解剖学重点研究的内容包括人脑图谱的建模、形变模型、结构和功能的映射分析等几大问题的数学和计算方法。本文主要研究了计算神经解剖学中若干个重要问题,即人脑图像中的结构和解剖标记点的提取、基于弹性模型的人脑形变配准技术、人脑皮层图像的解剖分块方法,最后研究了可编程GPU(图形处理器)技术在数字脑可视化和图像快速处理中的应用。在人脑MRI图像的分割方面。针对脑与非脑组织的分割问题,分别使用较为简单的边界分割方法和基于分水岭的方法实现脑与非脑组织的分割。对脑组织的皮质分割,实现了一个基于概率图谱的模糊聚类方法,并研究了图像中的组织灰度不均匀性对分割的影响。在人脑解剖标记点提取方面,阐述了基于等值面曲率模型的数学方法,并实验验证半自动方法提取标记点,为后续的图像配准提供对应的解剖标记点。对人脑图像的弹性配准的有限元计算方法首先阐述了其离散化的方法,并对二维图像的网格剖分提出了一个与图像特征相关的网格划分算法,使得网格具有一定的图谱特征。同时利用解剖标记点作为预先的图像刚性初配准,并作为有限元计算的位移条件加快计算的收敛速度和精度。人脑皮层体数据图像是由脑的沟回组成的有复杂形态的解剖结构,对其按功能和解剖特征分块在fMRI数据分析和皮层脑沟回的自动识别方面都具有重要意义。我们提出了基于测地距离的K-均值空间聚类算法,提出聚类中心点的快速估计方法。从而实现了人脑皮层数据的与近似解剖特征的皮层分块。为提高数字脑体绘制的成像质量和加快图像处理,我们实现了一套基于可编程GPU的可视化和图像处理的基本应用框架。提出了补偿体绘制质量的几种方法。对大规模体绘制问题,我们提出了基于矢量量化压缩后的体数据进行实时解码和绘制,从而为大规模体数据的绘制带来了新的基于硬件的快速方法。对GPU作为一种廉价的可并行计算的处理器,进行了一些并行图像处理方法的实现研究,如Level Set方法,骨架提取算法等。结果表明,采用GPU计算可以得到很好的计算加速性能。

全文目录

摘要  4-5
ABSTRACT  5-10
第一章绪论  10-22
  1.1 课题研究的背景和意义  10-11
  1.2 计算神经解剖学的几大任务  11-13
    1.2.1 任务一：人脑图谱  11
    1.2.2 任务二：扭曲形变算法  11-12
    1.2.3 任务三：脑皮层的研究  12-13
  1.3 脑数据集的研究现状  13-16
    1.3.1 Talairach 脑图谱  14
    1.3.2 Whole Brain 图谱  14-15
    1.3.3 VOXEL-MAN 脑图谱  15
    1.3.4 Brainweb 脑图谱  15-16
    1.3.5 虚拟人计划  16
  1.4 人脑数据的可视化和图像快速处理技术  16-17
  1.5 本文工作和内容组织  17-19
  参考文献  19-22
第二章人脑图像中的结构和特征的提取  22-48
  2.1 医学图像分割  22
  2.2 非脑组织的去除  22-29
    2.2.1 基于边界的分割方法  23
    2.2.2 各向异性扩散滤波  23
    2.2.3 边界提取算子  23-25
    2.2.4 形态修正与提取  25-26
    2.2.5 基于分水岭分割方法  26-27
    2.2.6 分水岭算法  27
    2.2.7 分水岭算法的合并处理  27-29
    2.2.8 讨论  29
  2.3 脑组织的分割  29-37
    2.3.1 基于灰度的模糊聚类方法  29-31
    2.3.2 隶属度的估计  31-33
    2.3.3 图像灰度非均匀性问题  33-34
    2.3.4 实验方法和结果  34-36
    2.3.5 本节讨论  36-37
  2.4 脑结构的三维建模  37-38
  2.5 人脑结构特征：解剖标记点的提取  38-44
    2.5.1 解剖标记点的定义和特征  39-40
    2.5.2 标记点提取的数学方法  40-41
    2.5.3 基于等值面曲率的标记点  41-43
    2.5.4 实验  43-44
  2.6 本章小结  44
  参考文献  44-48
第三章人脑图像的有限元弹性形变配准研究  48-62
  3.1 有限单元法  48-49
  3.2 配准的公式推导  49-54
    3.2.1 单元形式及插值函数的选取  50-52
    3.2.2 以节点位移重写能量差函数  52-54
    3.2.3 单元集成  54
  3.3 与图像特征相关的自适应网格划分  54-57
    3.3.1 网格生成  54-56
    3.3.2 网格校正  56-57
  3.4 引入位移边界条件  57
  3.5 预处理和刚性预配准  57-58
  3.6 实验结果及讨论  58-60
  3.7 本章小结  60
  参考文献  60-62
第四章人脑皮层图像的分块方法研究  62-75
  4.1 人脑皮层分割的目的  62-64
  4.2 算法描述  64-65
    4.2.1 K-均值聚类  64
    4.2.2 在非凸域的空间聚类  64-65
  4.3 测地距离求取  65-66
  4.4 基于测地距离的Voronoi 分割  66-67
  4.5 聚类中心的估计  67-68
  4.6 实验结果  68-72
  4.7 讨论  72-73
  4.8 本章小结  73-74
  参考文献  74-75
第五章基于GPU 的数字脑体绘制技术  75-98
  5.1 引言  75-76
  5.2 GPU 的介绍  76-79
    5.2.1 可编程的图形处理器  76-78
    5.2.2 高精度浮点计算  78
    5.2.3 渲染器语言  78-79
  5.3 基于GPU 的体绘制技术  79-88
    5.3.1 光线投射法  79-80
    5.3.2 体数据的纹理映射  80-81
    5.3.3 图像合成  81
    5.3.4 转换函数与插值之前和插值之后的分类变换  81-83
    5.3.5 二维转换函数  83-84
    5.3.6 光照渲染  84-85
    5.3.7 非多边形等值面绘制  85-86
    5.3.8 高质量的体绘制  86-88
  5.4 基于矢量量化压缩的绘制  88-95
    5.4.1 矢量量化编码压缩方法  89-90
    5.4.2 码书的创建  90-91
    5.4.3 压缩体数据的解码和绘制  91-93
    5.4.4 局部体数据绘制方法  93-94
    5.4.5 实验结果  94-95
    5.4.6 讨论  95
  5.5 本章小结  95-96
  参考文献  96-98
第六章基于GPU 的图像加速处理方法  98-112
  6.1 引言  98
  6.2 基于GPU 的快速Level Set 分割方法  98-104
    6.2.1 Level Set 模型  98-99
    6.2.2 Level Set 离散化  99-100
    6.2.3 GPU 计算实现方法  100-103
    6.2.4 实验结果和比较  103-104
    6.2.5 讨论  104
  6.3 基于GPU 的快速骨架提取  104-110
    6.3.1 距离变换和骨架的并行生成方法  105-106
    6.3.2 骨架提取  106
    6.3.3 GPU 计算的实现  106-108
    6.3.4 实验结果  108-109
    6.3.5 讨论  109-110
  6.4 本章小结  110
  参考文献  110-112
第七章总结和展望  112-115
  7.1 总结  112-113
  7.2 展望  113-115
致谢  115-116
作者在博士研究生期间发表的论文  116
  期刊论文  116
  会议论文  116

数字脑—计算解剖学方法及GPU技术应用的研究

内容摘要

全文目录

相似论文