第三章GPU加速和深度学习辅助诊断3.1GPU加速在本文中，我们共有两处涉及到GPU加速，图像分割和三维渲染，由于我们采用VTK来进行三维数据可视化，并且VTK中有封装的vtkGPUVolumeRayCastMapper类，可以方便地进行GPU的加速。我们遇到的问题在于图像分割局部。通常来讲，图像分割就是将图像分为不重叠的区域，每一个区域具有一些相同的特性，如亮度或纹理【22】。如果将图像的整个空域定义为，那么分割的目的就是要决定，全集为。因此，分割的所有像素集必须满足，此处且，并且每一个都是相连的。在医学图像的分割中，理想情况下，这些子集会对应到不同的解剖区域或感兴趣区上。目前常见的分割方法类型有阈值法、区域生长法、聚类法、马尔科夫场模型、可形变模型、人工神经网络分割等等。在这些方法中，区域生长法是常用来分割单一或简单的结构【23,24】。在我们的实验中，采用了一种区域生长方法：置信连接算法。在ITK中，由itk::ConfidenceConnectedImageFilter类提供这个算法的一个CPU版本。这个算法对于三维图像的分割非常缓慢，所以我们使用了加速处理。GPU适合于处理能够表示为数据并行计算(同一程序在多个数据上并行执行)的算术计算密度(算术操作和存储器操作的比例)非常高的问题。本文算法局部地属于这一类问题，所以我们使用GPU进行了加速。概念定义区域生长算法都要解决三个问题：第一，选择假设干个种子点，种子点代表了需要分割的区域；第二，像素的合并判据，即生长过程；第三，确定生长过程停止规那么【25】。置信连接算法是区域生长法的一种，其原理是基于区域统计，也就是使用全局信息来作为判据进行像素合并。首先使用表示目标区域的像素集合，使用表示区域外像素集合。然后，用来表示第种子点，这样，种子点就描述为，表示种子点的个数。对于种子点的邻域，我们使用表示，所以邻域像素描述为，表示邻域个数，在二维数据中一般，三维数据中一般。在迭代过程中，我们需要一个中转的需要检查的像素的队列，我们记为。表示这个队列的长度，它会随着目标区域的扩大而逐渐变大或变小。该算法计算目标区域中包含的所有像素的强度值的平均值和标准差（初始化时为种子点的邻域）。此外，需要一个用户设置的倍率因子来乘以标准差，并以此定义一个在以均值为中心的取值范围。其公式表述如公式？？，其中m和分别是区域内像素的均值和标准差，是用户指定的倍率因子，为图像，X为特定邻域的坐标位置。3.1.2算法描述第一步，选定种子点，设置倍率因...
