[发明专利]基于CUDA架构的GPU加速锥束CT图像重建的方法

说明书

(一)、技术领域：本发明涉及一种CT图像重建的方法，特别是涉及一种基于CUDA架构的GPU加速锥束CT图像重建的方法。

(二)、背景技术：锥束CT图像重建加速方法简介：

锥束CT具有扫描速度快、空间分辨率高和射线利用率高的优点，在实际应用中已经越来越广泛的被使用。锥束CT三维重建算法计算量大、耗时长，比如最常用的FDK算法在没有任何加速的情况下重建512³规模的体数据大约需要90分钟，很难满足实际应用需求，因此如何提高重建速度是锥束CT亟待解决的问题。根据实现方式上是否脱离了单个CPU来看，目前三维重建算法的加速可以分为软件加速和硬件加速。软件加速通过对算法本身的改进来实现，比如利用参数表法减少每一次反投影过程中的计算量、利用对称性并结合递归技术降低计算复杂度，或是通过对处理器的更好利用来达到加速目的，但是，软件加速受限于硬件，加速效果有限。硬件加速主要是通过多CPU并行机、FPGA(Field Programmable Logic Array)、Cell处理器以及GPU，在这些硬件当中，基于PC的GPU具有运算快捷、价格低廉和更新换代快等优点，并且锥束CT的数据扫描过程与计算机图形学的投影过程本质上是一致的，因此GPU非常适合用于锥束CT图像重建的加速。

FDK算法简介：

FDK算法是Feldkamp、Davis和Kress三人在1984年针对锥束几何圆形扫描轨迹提出的一种近似三维图像重建算法。FDK算法简洁、高效、在小锥角下具有较好的重建效果，自提出以来就得到了广泛的使用。迄今为止，FDK算法仍是在完整数据条件下国际上公认的最有效的三维滤波反投影重建算法。

FDK算法主要包括3个步骤：加权、滤波和反投影。具体实现如下：

I、对投影数据做加权运算：

Pθ′(u,v)=dd2+u2+v2Pθ(u,v)---(1)]]>

其中，d为光源到旋转中心的距离，(u，v)为探测器平面坐标，P_θ(u，v)表示第θ角度的投影数据，P′_θ(u，v)表示对投影数据加权后的结果。

II、对加权后的投影数据做滤波运算：

P_θ^*(u，v)＝P′_θ(u，v)*h(u)    (2)

其中，函数h(u)表示|ω|的傅里叶逆变换，P_θ^*(u，v)表示对加权后的投影数据进行逐行滤波后的结果。

III、反投影运算：