Abstract

Medical imaging has played an important role in helping physicians to make clinical diagnoses. Magnetic resonance imaging technology has been used to image the anatomy of the brain. Typically, image segmentation is utilized to observe the brain's anatomical structures and its changes, and to identify pathological regions. In this paper, we propose an efficient parallel fuzzy c-means clustering algorithm for segmenting images on multiple embedded graphic processing unit systems, NVIDIA TK1. The experimental results demonstrate that the maximum speedups of the proposed algorithm on 15 TK1s greater than 12 times and 7 times than that of fuzzy c-means algorithm with single ARM and Intel Xeon CPUs, respectively. These experimental results show that the proposed algorithm can significantly address the complexity and challenges of the brain magnetic resonance imaging segmentation problem

چکیده

تصویربرداری پزشکی نقش مهمی در کمک به پزشکان برای تشخیص های پزشکی ایفا می نماید. فناوری تصویربرداری رزونانس مغناطیسی برای تصویربرداری از آناتومی مغز استفاده می شود. به طور معمول تقسیم بندی تصویر برای مشاهده ساختارهای آناتومیک مغز و تغییرات آن و شناسایی مناطق آسیب شناختی استفاده می شود. در این مقاله ما یک الگوریتم کارآمد خوشه بندی موازی و فازی c میانگین را برای تقسیم بندی تصاویر در پردازش گرافیکی سیستم های واحد ارائه می نماییم (NVIDIA TK1). نتایج تجربی نشان می دهند که حداکثر سرعت الگوریتم پیشنهاد شده در TK1s 15 به ترتیب 12 برابر الگوریتم فازی c میانگین با ARM تنها و 7 برابر Intel Xeon CPU می باشد. این نتایج تجربی نشان می دهند که الگوریتم پیشنهاد شده می تواند به طور قابل توجهی به پیچیدگی و چالش های مسئله ی تقسیم بندی تصویربردای رزونانس مغناطیسی مغز رسیدگی کند.

-1مقدمه

در دهه های اخیر، رشد سریع فناوریهای غیرتهاجمی تصویربرداری پزشکی توانایی ما برای تجزیه و تحلیل آناتومی و عملکرد مغز را افزایش داده است. این تصاویر پزشکی به پزشکان این امکان را می دهد تا تشخیص های بالینی بهتری داشته باشند. انواع کنونی فناوریهای تصویربرداری پزشکی عبارتند از اشعه ایکس، اولتراسوند، مغزنگاری کامپیوتری یا سی تی اسکن و تصویربرداری رزونانس مغناطیسی. تمام این فناوریها معمولاً برای شناسایی بی نظمی های بدن انسان استفاده می شوند. MRI به طور معمول برای شناسایی ناهنجاری های مغز و کشف آناتومی مغز به کار گرفته می شود. MRIهای مغز داده های تصویری زیاد و با کیفیتی از مغز ارائه می کنند. با اینحال، این مجموعه اطلاعات MRI مغز بزرگ و پیچیده هستند و پزشکان باید به صورت دستی اطلاعات مهم را از میان آنها استخراج نمایند. این فرآیند خسته کننده و پیچیده است و آنالیز دستی داده های MRI مغز می تواند وقت گیر و مستعد خطا باشد. بنابراین، یک روش محاسباتی برای پردازش MRI های مغزی می تواند تا حد زیادی تشخیص بیماری و آزمایش را بهبود بخشد. اخیراً روشهای محاسباتی متعددی نظیر تجسم و تقسیم بندی تصویر MR برای کمک به پزشکان در تشخیص های با کیفیت به کار بسته می شوند…