本發(fā)明屬于圖像重建
技術(shù)領(lǐng)域：
，尤其涉及一種基于gpu加速pet圖像重建的方法。
背景技術(shù)：
：小動(dòng)物pet系統(tǒng)因其能在生物實(shí)驗(yàn)中得到高分辨率的圖像而得到廣泛的發(fā)展。而采用一對(duì)平板探測(cè)器的pet成像系統(tǒng)，由于其結(jié)構(gòu)簡(jiǎn)潔，工程上易于實(shí)現(xiàn)，兼有開放性和可調(diào)節(jié)性，一直受到研究人員的關(guān)注。同時(shí)在諸多臨床聚焦性檢查和治療中，需要針對(duì)局部部位得到高質(zhì)量的pet圖像?；谄桨褰Y(jié)構(gòu)的系統(tǒng)可針對(duì)特定部位和特定應(yīng)用進(jìn)行系統(tǒng)定制和優(yōu)化，在可承受的成本下獲得高的靈敏度和空間分辨率。這些優(yōu)勢(shì)在針對(duì)特定部位腫瘤的治療規(guī)劃和療效監(jiān)測(cè)方面具有獨(dú)特的潛在價(jià)值。然而當(dāng)想進(jìn)一步提升靈敏度時(shí)，doi效應(yīng)成為了首要解決的問題。為了解決doi問題，各種基于物理與統(tǒng)計(jì)模型的重建方法被提出來。盡管這些方法起到了顯著的作用，然而巨大的計(jì)算量不能有效的使用這些方法。doi效應(yīng)的主要問題是仿真模型與實(shí)際的成像過程存在偏差，可通過更為復(fù)雜物理與統(tǒng)計(jì)模型來仿真系統(tǒng)矩陣解決此問題然而復(fù)雜的數(shù)學(xué)模型往往會(huì)使得系統(tǒng)矩陣的數(shù)據(jù)量更為龐大。綜上所述，現(xiàn)有技術(shù)存在的問題是：目前解決doi效應(yīng)的方法存在巨大的計(jì)算量不能有效的使用，使得系統(tǒng)矩陣的數(shù)據(jù)量更為龐大。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于gpu加速pet圖像重建的方法。本發(fā)明是這樣實(shí)現(xiàn)的，一種基于gpu加速pet圖像重建的方法，所述基于gpu加速pet圖像重建的方法包括以下步驟：步驟一，通過蒙特卡羅仿真生成系統(tǒng)矩陣，根據(jù)平板pet系統(tǒng)的對(duì)稱性，分別基于響應(yīng)線與體素提取系統(tǒng)矩陣的子集；步驟二，數(shù)據(jù)輸入，基于系統(tǒng)矩陣關(guān)于響應(yīng)線的子集，進(jìn)行前向投影的計(jì)算，計(jì)算過程中根據(jù)響應(yīng)線的對(duì)稱性計(jì)算系統(tǒng)矩陣關(guān)于響應(yīng)線的子集的補(bǔ)集；步驟三，基于系統(tǒng)矩陣關(guān)于體素的子集，進(jìn)行反向投影的計(jì)算，計(jì)算過程中根據(jù)體素的對(duì)稱性計(jì)算系統(tǒng)矩陣關(guān)于體素的子集的補(bǔ)集，對(duì)重建圖像進(jìn)行數(shù)據(jù)更新，迭代結(jié)束，數(shù)據(jù)輸出。進(jìn)一步，所述基于gpu加速pet圖像重建的方法包括以下步驟：步驟一，獲得系統(tǒng)矩陣，通過蒙特卡羅仿真生成系統(tǒng)矩陣，擁有80×104×208個(gè)體素，以保證系統(tǒng)矩陣中擁有對(duì)稱性的響應(yīng)線穿過相同個(gè)數(shù)的體素；步驟二，數(shù)據(jù)輸入，從掃描的γ射線獲得符合數(shù)據(jù)，經(jīng)過預(yù)處理后，由cpu讀入到內(nèi)存中，再由內(nèi)存導(dǎo)入顯存中；將系統(tǒng)矩陣基于響應(yīng)線的子集讀入顯存，循環(huán)系統(tǒng)矩陣基于響應(yīng)線子集中的響應(yīng)線，循環(huán)過程中為每條與子集中響應(yīng)線平行的響應(yīng)線分配一個(gè)block來執(zhí)行，每層重建圖像中的體素后插入與其有對(duì)稱關(guān)系的三個(gè)體素，并導(dǎo)入gpu的紋理內(nèi)存中；步驟三，反向投影，將系統(tǒng)矩陣基于體素的子集讀入顯存，循環(huán)前40層，若每層所需視野范圍為80×160個(gè)體素，則需要為每層40×80個(gè)體素分配至gpu中的單獨(dú)block來執(zhí)行，重建所需前向投影數(shù)據(jù)的每個(gè)數(shù)據(jù)后插入與其有對(duì)稱關(guān)系的其它七個(gè)數(shù)據(jù)，并存儲(chǔ)在gpu的紋理內(nèi)存中；步驟四，數(shù)據(jù)更新，對(duì)重建圖像每個(gè)體素進(jìn)行更新，若迭代未結(jié)束，重復(fù)前向投影的計(jì)算，迭代結(jié)束，數(shù)據(jù)輸出。進(jìn)一步，所述步驟一中：基于體素的系統(tǒng)矩陣子集為探測(cè)器中心晶體所對(duì)應(yīng)的前40層所有體素40×16個(gè)及穿過這些體素的響應(yīng)線，從平板探測(cè)器大小為52×104個(gè)晶體的所組成的pet系統(tǒng)對(duì)應(yīng)的系統(tǒng)矩陣中提取基于體素的系統(tǒng)矩陣子集。進(jìn)一步，所述步驟二中：線程分配過程如下：(1)根據(jù)gpu的特性設(shè)置每個(gè)block的尺寸；(2)根據(jù)系統(tǒng)矩陣子集中的響應(yīng)線的位置計(jì)算平行響應(yīng)線的個(gè)數(shù)；(3)根據(jù)平行響應(yīng)線的個(gè)數(shù)設(shè)置block的個(gè)數(shù)；(4)按照所述線程塊設(shè)置執(zhí)行內(nèi)核程序。進(jìn)一步，所述(4)中每個(gè)block計(jì)算與子集中平行的響應(yīng)線的同時(shí)，計(jì)算與平行響應(yīng)線存在對(duì)稱關(guān)系的另外三條響應(yīng)線，四條響應(yīng)線擁有相同的權(quán)值，且相同權(quán)值的體素位置對(duì)稱。進(jìn)一步，所述步驟三中：線程分配過程如下：(1)根據(jù)gpu的特性設(shè)置每個(gè)block的尺寸；(2)根據(jù)所需視野范圍設(shè)置所述block的個(gè)數(shù)；(3)按照所述block設(shè)置執(zhí)行內(nèi)核程序。進(jìn)一步，所述(3)中每個(gè)block計(jì)算當(dāng)前體素及其穿過的響應(yīng)線的同時(shí)計(jì)算與其擁有對(duì)稱關(guān)系的七個(gè)體素，穿過八個(gè)體素的響應(yīng)線擁有對(duì)稱關(guān)系，且權(quán)值相同。本發(fā)明的另一目的在于提供一種應(yīng)用所述基于gpu加速pet圖像重建的方法的pet成像系統(tǒng)。本發(fā)明的另一目的在于提供一種應(yīng)用所述基于gpu加速pet圖像重建的方法的平板pet系統(tǒng)。本發(fā)明的優(yōu)點(diǎn)及積極效果為：使用的系統(tǒng)矩陣由蒙特卡洛(mc)仿真而成，它包含3百萬的lor和1百萬的體素。這給系統(tǒng)矩陣的存儲(chǔ)與使用帶來了極大的困難；cheng-yingchou等使用系統(tǒng)矩陣基于lor的子集，再基于lor的對(duì)稱性來重建的方法使這個(gè)問題的到了極大的改善(choucy,dongy,hungy,etal.acceleratingimagereconstructionindual-headpetsystembygpuandsymmetryproperties.[j].plosone,2012,7(12):e50540.)，但基于lor的系統(tǒng)矩陣在反向投影的計(jì)算中使用極為不便。與使用基于lor的系統(tǒng)矩陣相類似，系統(tǒng)矩陣基于體素的子集，在前向投影的計(jì)算中也有同樣的問題；而本發(fā)明將兩種算法結(jié)合起來，使得重建速度進(jìn)一步提高。本發(fā)明能夠有效的減少pet圖像重建的時(shí)間，提高算法效率，適用于平板pet系統(tǒng)；針對(duì)復(fù)雜的數(shù)學(xué)模型帶來的巨大計(jì)算量的問題，能有效減少pet圖像重建的時(shí)間；同時(shí)在相同的時(shí)間內(nèi)本發(fā)明迭代次數(shù)更多，能夠有效的提升重建圖像的靈敏度；本發(fā)明使用ml-em算法來進(jìn)行重建，ml-em算法是一種迭代重建算法,迭代重建算法越接近收斂狀態(tài)，重建效果越好，靈敏度也越高。相同的時(shí)間內(nèi)本發(fā)明迭代次數(shù)更多，更接近收斂狀態(tài)。本發(fā)明適用于平板pet系統(tǒng)，能夠?yàn)檠芯啃?dòng)物體內(nèi)代謝過程以及生物體局部代謝狀態(tài)提供更為精確的功能信息；在更短時(shí)間內(nèi)成像可以實(shí)現(xiàn)對(duì)一些動(dòng)態(tài)的生理過程的實(shí)時(shí)觀測(cè)。同時(shí)高分辨率的pet圖像在確定腫瘤的生物靶區(qū)方面能提供精確的信息，從而幫助醫(yī)生規(guī)劃更為精確的治療方案；另外高靈敏度和高分辨率的pet成像能對(duì)早期復(fù)發(fā)的微小病灶進(jìn)行檢測(cè)，為制定下一步治療方案提供重要信息。加速前后前向投影與反向投影單次迭代時(shí)間對(duì)比，其前向投影加速了125倍，反向投影加速了98倍，單次迭代時(shí)間加速了111倍。附圖說明圖1是本發(fā)明實(shí)施例提供的基于gpu加速pet圖像重建的方法流程圖。圖2是本發(fā)明實(shí)施例提供的基于cpu的pet圖像重建結(jié)果示意圖。圖3是本發(fā)明實(shí)施例提供的基于gpu的pet圖像加速重建結(jié)果示意圖。圖4是本發(fā)明實(shí)施例提供的圖2、圖3pet圖像重建結(jié)果取中心一列像素的對(duì)比曲線示意圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。如圖1所示，本發(fā)明實(shí)施例提供的基于gpu加速pet圖像重建的方法包括以下步驟：s101：通過蒙特卡羅仿真生成系統(tǒng)矩陣，根據(jù)平板pet系統(tǒng)的對(duì)稱性，分別基于lor與體素提取系統(tǒng)矩陣的子集；s102：數(shù)據(jù)輸入，基于系統(tǒng)矩陣關(guān)于lor的子集，進(jìn)行前向投影的計(jì)算，計(jì)算過程中根據(jù)lor的對(duì)稱性計(jì)算系統(tǒng)矩陣關(guān)于lor的子集的補(bǔ)集；s103：基于系統(tǒng)矩陣關(guān)于體素的子集，進(jìn)行反向投影的計(jì)算，計(jì)算過程中根據(jù)體素的對(duì)稱性計(jì)算系統(tǒng)矩陣關(guān)于體素的子集的補(bǔ)集，對(duì)重建圖像進(jìn)行數(shù)據(jù)更新，迭代結(jié)束，數(shù)據(jù)輸出。下面結(jié)合具體實(shí)施例對(duì)本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。本發(fā)明的實(shí)施例結(jié)合每個(gè)平板探測(cè)器擁有(26×52)個(gè)晶體的平板pet系統(tǒng)為例進(jìn)行描述；具體包括以下步驟：步驟1，獲得系統(tǒng)矩陣通過蒙特卡羅仿真生成系統(tǒng)矩陣，擁有80×104×208個(gè)體素，以保證系統(tǒng)矩陣中擁有對(duì)稱性的lor穿過相同個(gè)數(shù)的體素。基于lor的系統(tǒng)矩陣子集為一探測(cè)器邊角晶體與另一探測(cè)器所有晶體所連接lor的集合，共計(jì)26×52條。對(duì)所有系統(tǒng)矩陣子集中l(wèi)or所穿過的體素進(jìn)行坐標(biāo)變換，變換后所有體素位于80×204×308的體素空間內(nèi)，以保證對(duì)lor進(jìn)行平移運(yùn)算時(shí)，其體素不超過視野范圍。基于體素的系統(tǒng)矩陣子集為探測(cè)器中心晶體所對(duì)應(yīng)的前40層所有體素(40×16個(gè))及穿過這些體素的lor，為保證通過對(duì)稱性可得到完整的系統(tǒng)矩陣，應(yīng)從平板探測(cè)器大小為(52×104)個(gè)晶體的所組成的pet系統(tǒng)對(duì)應(yīng)的系統(tǒng)矩陣中提取基于體素的系統(tǒng)矩陣子集，使得通過平移性計(jì)算其它體素所穿過的lor時(shí)沒有缺失，同時(shí)為保證其與基于lor計(jì)算得到的系統(tǒng)矩陣擁有相同的視野范圍，應(yīng)對(duì)體素子集中的體素進(jìn)行坐標(biāo)變換。步驟2，前向投影數(shù)據(jù)輸入，從掃描的γ射線獲得符合數(shù)據(jù)，經(jīng)過預(yù)處理后，由cpu讀入到內(nèi)存中，再由內(nèi)存導(dǎo)入顯存中。將系統(tǒng)矩陣基于lor的子集讀入顯存，循環(huán)系統(tǒng)矩陣基于lor子集中的lor，循環(huán)過程中為每條與子集中l(wèi)or平行的lor分配一個(gè)block來執(zhí)行，每層重建圖像中的體素后插入與其有對(duì)稱關(guān)系的三個(gè)體素，并導(dǎo)入gpu的紋理內(nèi)存中，其中線程分配過程如下：(1)根據(jù)gpu的特性設(shè)置每個(gè)block的尺寸；(2)根據(jù)系統(tǒng)矩陣子集中的lor的位置計(jì)算平行l(wèi)or的個(gè)數(shù)；(3)根據(jù)平行l(wèi)or的個(gè)數(shù)設(shè)置block的個(gè)數(shù)；(4)按照所述線程塊設(shè)置執(zhí)行內(nèi)核程序；步驟(4)中每個(gè)block計(jì)算與子集中平行的lor的同時(shí)，計(jì)算與平行l(wèi)or存在對(duì)稱關(guān)系的另外三條lor，四條lor擁有相同的權(quán)值，且相同權(quán)值的體素位置對(duì)稱。步驟3，反向投影將系統(tǒng)矩陣基于體素的子集讀入顯存，循環(huán)前40層，若每層所需視野范圍為(80×160)個(gè)體素，則需要為每層(40×80)個(gè)體素分配至gpu中的單獨(dú)block來執(zhí)行，超過所需視野范圍的體素不計(jì)算，重建所需前向投影數(shù)據(jù)的每個(gè)數(shù)據(jù)后插入與其有對(duì)稱關(guān)系的其它七個(gè)數(shù)據(jù)，并存儲(chǔ)在gpu的紋理內(nèi)存中，其中線程分配過程如下：(1)根據(jù)gpu的特性設(shè)置每個(gè)block的尺寸；(2)根據(jù)所需視野范圍設(shè)置所述block的個(gè)數(shù)；(3)按照所述block設(shè)置執(zhí)行內(nèi)核程序；步驟(3)中每個(gè)block計(jì)算當(dāng)前體素及其穿過的lor的同時(shí)計(jì)算與其擁有對(duì)稱關(guān)系的七個(gè)體素，穿過八個(gè)體素的lor擁有對(duì)稱關(guān)系，且權(quán)值相同。步驟4，數(shù)據(jù)更新對(duì)重建圖像每個(gè)體素進(jìn)行更新，若迭代未結(jié)束，重復(fù)前向投影的計(jì)算，迭代結(jié)束，數(shù)據(jù)輸出。下面結(jié)合對(duì)比對(duì)本發(fā)明的應(yīng)用效果作詳細(xì)的描述。通過蒙特卡羅仿真十二個(gè)同樣大小的點(diǎn)源，直徑為0.5mm，活度為1μci，得到前向數(shù)據(jù)，所用的平板pet系統(tǒng)每個(gè)平板探測(cè)器擁有(26×52)個(gè)晶體，每個(gè)晶體表面大小為(2㎜×2㎜)，重建體素大小為(0.5㎜×0.5㎜×0.5㎜)。對(duì)仿真的前向數(shù)據(jù)分別使用加速前的算法與加速后的算法重建，對(duì)比起重建結(jié)果與重建時(shí)間。圖2是加速前迭代30次的重建圖像。圖3是加速后迭代30次的重建圖像。圖4對(duì)比加速前后的重建圖像，取重建圖像中心一列像素做對(duì)比，兩條曲線完全重合。表1是加速前后前向投影與反向投影單次迭代時(shí)間對(duì)比，其前向投影加速了125倍，反向投影加速了98倍，單次迭代時(shí)間加速了111倍。表1加速前后前向投影與反向投影時(shí)間對(duì)比前向投影(s)前向投影(s)合計(jì)(s)加速前182.078159.346341.424加速后1.4531.6123.065本發(fā)明能夠直接應(yīng)用到pet成像領(lǐng)域。特別是在復(fù)雜的數(shù)學(xué)模型導(dǎo)致系統(tǒng)矩陣計(jì)算量巨大的情況之下，加速效果尤為明顯。適用于平板pet系統(tǒng)，能夠?yàn)檠芯啃?dòng)物體內(nèi)代謝過程以及生物體局部代謝狀態(tài)提供更為精確的功能信息。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12