Paralelização em GPU da segmentação vascular com extração de Centerlines por Height Ridges

The vascular segmentation is important in diagnosing vascular diseases like stroke and is hampered by noise in the image and very thin vessels that can pass unnoticed. One way to accomplish the segmentation is extracting the centerline of the vessel with height ridges, which uses the intensity as features for segmentation. This process can take from seconds to minutes, depending on the current technology employed. In order to accelerate the segmentation method proposed by Aylward [Aylward & Bullitt 2002] we have adapted it to run in parallel using CUDA architecture. The performance of the segmentation method running on GPU is compared to both the same method running on CPU and the original Aylward s method running also in CPU. The improvemente of the new method over the original one is twofold: the starting point for the segmentation process is not a single point in the blood vessel but a volume, thereby making it easier for the user to segment a region of interest, and; the overall gain method was 873 times faster running on GPU and 150 times more fast running on the CPU than the original CPU in Aylward

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

A segmentação vascular é importante no diagnóstico de doenças como o acidente vascular cerebral e é dificultada por ruídos na imagem e vasos muito finos que não são vistos. Uma maneira de realizar a segmentação é extraindo a centerline do vaso com height ridges, que usa a intensidade como características para a segmentação. Este processo pode levar de segundos a minutos, dependendo da tecnologia atual empregada. O método é implementado em GPU, ou seja, é executado de maneira paralela em placa gráfica. O desempenho do método de segmentação executado em GPU é comparado com o mesmo método em CPU e o método original de Aylward em execução também na CPU. O melhoramento do novo método sobre o original é dupla. O ponto de partida para o processo de segmentação não é um único ponto no vaso sanguíneo, mas um volume, tornando assim mais fácil para o usuário a seleção de uma região de interesse, e, o ganho do método proposto foi 873 vezes mais rápido sendo executado em GPU e 150 vezes mais rápido sendo executado em CPU do que o original de Aylward em CPU