Sper Resolucin de imgenes mdicas usando algoritmos de regresin basados en Kernels implementados en GPU

AUTOR: Ivn Arturo Calle Flores, icallef@uni.pe

UNIVERSIDAD NACIONAL DE INGENIERA FACULTAD DE INGENIERA MECNICA Av. Tpac Amaru 210, Telf.: 481-1490, e-mail: fim@uni.edu.pe

ResumenEl uso de imgenes digitales es de comn uso y est ampliamente difundido en estos das. Tanto en aplicaciones medicas como el anlisis de mamografas, aplicaciones de seguridad como el monitoreo de ambientes, el anlisis de imgenes es de amplia relevancia. Sin embargo, los sistemas de adquisicin de imgenes tienen una resolucin fija, por ejemplo los mamografas entrega una imagen DICOM de 512x512 pixeles, lo que hace difcil el anlisis de objeto o regiones pequeas en esta imagen. Los algoritmos de sper resolucin (SR) buscan la reconstruccin de alta calidad de una imagen (menos ruido y ms resolucin). En el presente trabajo se describe los resultados, tanto en el CPU como en el GPU, de la implementacin de un algoritmo de SR usando Kernels, haciendo espacial nfasis en imgenes mdicas como mamografas. Palabras claveSper resolucin (SR), kernels, regresin, CPU, GPU, imgenes DICOM, mamografas. Abstract- The use of digital imaging systems has a growing popularity nowadays. Through a diverse range of applications from medical to security ones, the use and analysis of images is of great relevance However, digital imaging systems have a fixed resolution, for instance, a common mammogram or other medical image usually has 512x512 pixels, so this makes a little difficult the analysis of certain objects or regions of interest inside this image. The goal of Super Resolution algorithms is to provide high resolution(less noise and more resolution) images from low resolution ones. In the present work, it is described the results of the implementation of one of the many Super Resolution algorithms, one that is based in the idea of regression using kernels. We present the results of the implementation both in the CPU and in the GPU, making special emphasis in medical images. Index Terms Super Resolution (SR), kernels, regression, CPU, GPU, DICOM images, mammograms.

como las mamografas, tomografas, ecografas, etc. es bastante extendido. Sin embargo, estos equipos a diferencia de las cmaras de fotos o de video, no poseen una gran resolucin. Por ejemplo las imgenes DICOM que corresponden a una mamografa solo es de 512x512 pixeles. Por lo pequeo de la imagen, en algunos casos es difcil hacer el anlisis de pequeos objetos o regiones de inters, lo que se traduce en la calidad de la evaluacin del paciente por el mdico. Por este motivo, la posibilidad de tener una imagen de mayor resolucin de alta calidad es de suma importancia ya que podra permitir al mdico hacer un mejor diagnostico de sus pacientes, y todos entendemos lo que eso implica. Las tcnicas de Sper Resolucin (SR) buscan la reconstruccin de imgenes de alta calidad a partir de imgenes de poca resolucin. Bsicamente existen dos enfoques para hacer la reconstruccin. Un enfoque est basado en la operacin en el domino transformado (como en la frecuencia), y el otro trabaja directamente en el dominio espacial de la imagen de entrada. Adems, existen aquellos que trabajan con una sola imagen de entrada, y aquellos que trabajan con varias imgenes de entrada. En el presente trabajo se estudia una tcnica en especial basada en kernels, presentada en [4], la cual trabaja en el dominio del espacio y con una sola imagen de entrada. Por otro lado, el nmero de operaciones matemticas usadas por los algoritmos de SR es comnmente muy alto. Esto se traduce en que los tiempos de ejecucin en las computadoras es muy alto. Por ejemplo, es comn obtener tiempos de ejecucin en los rangos de minutos e incluso horas. Esta limitacin hace imposible la aplicacin practica de estos algoritmos ya que, por ejemplo, un mdico, no estara dispuesto a esperar ms de unos cuantos segundos con el fin de tener una mejor imagen. Es por este motivo, que en el presente trabajo tambin se presentan la implementacin del algoritmo de SR usando una unidad de procesamiento Grafica GPU. Tal como se ver ms adelante la ventaja de usar procesadores paralelos como los GPU es que, si el algoritmo tiene una estructura paralela, los tiempos de ejecucin son inmensamente inferiores.

I. INTRODUCCIN

L usos de sistemas de adquisicin de imgenes digitales es muy comn estos das, y se espera que esta tendencia contine creciendo. Esto se debe principalmente a la gran cantidad de informacin que se puede obtener o transmitir en una simple imagen, y a la facilidad con que nosotros, los humanos, podemos realizar el anlisis de una imagen. Por ejemplo en el campo medico el uso de equipos que muestran imgenes digitales, tales

El presente trabajo est organizado de la manera siguiente. En la seccin II se describir las ideas ms importantes sobre la tcnica de la Sper Resolucin usando Kernels. En la seccin III se mostraran los resultados obtenidos haciendo ms nfasis en imgenes mdicas. En la seccin IV se hace una comparacin entre los resultados del algoritmo implementado en el CPU vs. la implementacin en el GPU. Finalmente, en la seccin V se muestran las conclusiones.

II. OBJETIVOS Objetivo general El objetivo general del presente trabajo consiste en la implementacin de un sistema de sper resolucin de imgenes usando las tcnicas de regresin basados en Kernels y las tarjetas hardware GPU. Objetivos especficos a) Implementacin del algoritmo de sper resolucin basada en Kernerls en el CPU. b) Implementacin del algoritmo de sper resolucin basada en Kernels en el GPU. c) Desarrollo de pruebas con el fin de verificar el correcto funcionamiento de ambas implementaciones d) Implementacin de software para la lectura de imgenes mdicas en formato DICOM. e) Desarrollo de pruebas de sper resolucin de imgenes medicas
Fig. 1: Modelo general de la Sper Resolucin.

Tal como se puede apreciar en [3], [4], el modelo anterior expresado matemticamente se puede escribir como:

Yn = DBFn X + n

(1)

Donde B es una matriz constante que contiene los efectos de difuminacin atmosfrica y de la cmara, y F y D son matrices que representan los efectos de movimiento y downsampling. Y las matrices X e Y estn dadas por:

III. SUPER RESOLUCION USANDO KERNELS En esta seccin formularemos las ideas bsicas de la Sper Resolucin basada en Kernels, proporcionando donde sea necesario referencias en las que el lector se pueda referir para mayor profundidad. A. Sper Resolucin El modelo general de Sper Resolucin, tal como se describe en [1],[2],[3], es el que se muestra en la Fig.1. En la figura, X es una imagen continua de alta resolucin que representa la escena, Batm y Bcam son funciones que representa el efecto de turbulencia atmosfrica la apertura de la cmara los que causan la difuminacin de la imagen, F es el operador de deformacin que modela los efectos de movimiento, D representa el downsampling que resulta de discretizacin la imagen, y E representa el ruido aleatorio. Basado en este modelo, Y es la imagen de salida que es de menor resolucin, ruidosa, y desdibujada. La tarea de cualquier algoritmo de SR es recuperar la seal original "X" a partir de la imagen "Y".

X [1, 2] X [1,1] X [2,1] X [2, 2] X = X [rL,1] X [rL, 2]

X [1, rM ] X [2, rM ] X [rL, rM ]

(2)

Yn [1,1] Yn [1, 2] Y [2,1] Y [2, 2] n Yn = n Yn [ L,1] Yn [ L, 2]

Yn [1, M ] Yn [2, M ] Yn [ L, M ]

(3)

El valor de "r" es el factor de mejoramiento en resolucin, y n se refiere a todas las posibles medidas Y a partir de X. es decir a todas las posibles imgenes tomadas de la escena. B. Tcnicas de regresion kernel en imgenes Tal como se muestra en [4], el modelo del valor de los pixeles en una posicin dada de la imagen se puede modelar como:

yi = z (x i ) + i , x i = [ x1i , x2i ] , i = 1, 2,..., P (4)

T

x i es un vector en 2D que representa las coordenadas de un pixel, z () es la funcin que describe el

Donde valor de los pixeles en cada posicin, y

es un ruido de

media cero. Entonces si se desea hacer sper resolucin nuestra tarea es conocer la forma de la funcin z () con el fin de predecir los valores de los pixeles en cualquier posicin de la imagen. Por ejemplo, en la Fig. 2. la imagen original es de 3x3(casilleros rojos), y el conocimiento de la funcin z () nos permite conocer el valor de cada pixel en los casilleros negros. Esto nos permite obtener una imagen de 9x9 de mas resolucin.

[y ( min
{ }
N n n=1

i =1

+ 1T (x i x)T + ...

2T vech {(x i x)(x i x)T } + ...]2 K H ( x i x )

(7) Donde:

K H (t ) =
(8)

1 K ( H 1t ) det( H )

Es una matriz que representa una funcin Kernel en 2D que depende de una matriz H de suavizado. Tal como se muestra en la Fig3, el efecto de aplicar una matriz Kernel es que este permite dar un mayor peso a los pixeles ms cercanos a la posicin donde se desea hacer la prediccin. Esto es muy importante porque los pixeles ms cercanos son mucho ms relevantes que los pixeles lejanos a la hora de predecir el valor de un pixel en cierta posicin.
Fig. 2: Sper Resolucin de una imagen de 3x3.

Una manera de hallar z () en cierto punto x, es mediante la expansin de Taylor la cual est dada por:

z (x i ) = z (x) + {z (x)} (x i x) + ...

T

(5) 1 (x i x)T {Hz (x)} (x i x) + ... 2!

Hz (x) representa el gradiente y operador Hesiano de la funcin z () . De donde se

demuestra que la ecuacin (5) es equivalente a:

Donde z (x) y

Fig. 3: Kernel gausiano en 2D.

z (x i ) = 0 + 1T (x i x) + ...

2T vech {(x i x)(x i x)T } + ...

El valor de la matriz de suavizado H, que es de 2x2, es que controla la forma del Kernel. Tal como se muestra en la Fig. 4. es razonable usar Kernels pequeos en areas de gran densidad de muestras y Kernels Grandes en areas de poca densidad de muestras. Para mayor detalles ver [4].

(6) que es

Como se observa,

0 representa el valor de z ()

el valor de la funcin, es decir el valor del pixel (su intensidad) en cualquier posicin "x". Los dems "betas" son las aproximaciones de las derivadas de orden superior y estn dados por:

z ( x) z ( x) 1 = , x x2 1 x = xi

x = xi

Fig. 4: Variacin del Kernel en funcin de la matriz de suavisado.

1 2 z ( x) 2 = 2 x12

x = xi

2 z ( x) , x1x2

x = xi

2 z ( x) , 2 x2

x = xi

IV. RESULTADOS EN IMAGENES MDICAS IV. IMPLEMENTACIN DEL ALGORITMO EN EL GPU V. CONCLUSIONES Y TRABAJO FUTURO

Los valores de "beta" de (6) se pueden hallar al resolver el siguiente problema de optimizacin