《Journal of Imaging》：Efficient Parallel Implementation of a 3-D MRF-Based Deformable Image Registration Algorithm in Medical Dynamic CT Imaging
编辑推荐：
配准技术在计算机视觉与医学图像分析中发挥关键作用，可将不同时间或不同模态获取的图像对齐。对高分辨率与实时处理日益增长的需求要求更快的可变形配准算法；然而，诸多精确方法计算开销巨大，限制了其临床适用性。本工作提出了三种面向动态CT成像中基于三维马尔可夫随机场（M
配准技术在计算机视觉与医学图像分析中发挥关键作用，可将不同时间或不同模态获取的图像对齐。对高分辨率与实时处理日益增长的需求要求更快的可变形配准算法；然而，诸多精确方法计算开销巨大，限制了其临床适用性。本工作提出了三种面向动态CT成像中基于三维马尔可夫随机场（MRF）的可变形图像配准算法的加速策略。首先，研究人员识别了算法中可并行的组件，并使用OpenMP在CPU上将其并行化；其次，研究人员开发了基于CUDA的全GPU实现；第三，研究人员设计了异构混合CPU/GPU实现，以在两类平台间最优地分配计算任务。Learn2Reg数据集上尺寸（192 × 160 × 256）的图像的实验表明，混合方法通过策略性地将顺序图计算瓶颈卸载至CPU，取得了整体最优的性能：与串行实现相比，其加速比约为9×，同时保持了可比的配准精度，克服了全GPU方案的严重硬件利用率瓶颈，并凸显出将MRF优化映射至大规模并行架构时所面临的挑战。上述结果表明，混合计算架构能够在计算效率与配准精度之间实现有效权衡。此外，研究人员还开发了图形用户界面（GUI），用于可视化配准过程与结果。
**引言（Introduction）**
医学图像配准是医学成像与计算机视觉中的基础过程，旨在将两幅或多幅图像对齐至同一坐标系；患者扫描中的微小运动即可导致图像错位并引发诊断误差，因此配准在医学影像中不可或缺。可变形配准涉及大量参数与自由度，精确对齐往往需多次迭代，计算成本高昂；随着医学数据集规模扩大与临床对快速结果需求的增长，尤其在图像引导手术与放疗等时间敏感场景中，实时或近实时配准已成为关键挑战。深度学习方法虽展现出高精度与近乎即时执行的潜力，但面临泛化能力不足、依赖大量标注训练数据等问题，临床医师在关键任务中仍多依赖经验证的经典算法，而此类算法处理高分辨率图像时计算负担沉重。现有并行框架亦存在结构性局限：纯GPU加速方法在图像扭曲、相似度度量等体素级均匀操作上加速显著，却在最小生成树（Minimum Spanning Tree，MST）构建、信念传播正则化等顺序或基于树的算法上扩展性差；既有混合框架的图割调度模式无法适配马尔可夫随机场（Markov Random Field，MRF）框架特有的多级消息传递循环与显存预分配策略。由此形成研究空白：现有加速策略在不陷入GPU设备瓶颈的前提下，难以降低多级离散配准令人难以承受的执行时间。针对该空白，研究人员以Heinrich等人的DEEDS框架为加速对象，开发了OpenMP、CUDA与异构CPU/GPU三种实现；混合方案较串行实现约9×加速且精度相当，表明异构计算架构是兼顾计算效率与配准精度的有效途径，其意义在于无需训练数据即可显著压缩经典优化算法的临床应用时间成本。
**材料与方法（Materials and Methods）**
MRF-Based Deformable Image Registration Background：DEEDS将配准表述为离散MRF标记问题，节点对应B样条控制点、标签表示离散位移，通过最小化能量函数（平衡一元数据项D(f
p)与成对正则化项R(f
p,f
q)）实现配准；以图像驱动的MST为骨架，仅需两次最小-求和消息传递即可高效求得全局最优解，并采用对称微分同胚B样条模型保证逆一致性。Pure CPU OpenMP Parallelization Strategy：以实验路径识别数据独立循环并多线程化，涵盖imshift、平方差计算、boxfilter三维滤波、MIND描述符、DataCostCL的padding与汉明距离（Hamming distance）datacost、Primsgraph边权重、正则化MessageDT及上采样坐标映射与插值。Fully GPU Parallelization Strategy：独立计算改写为CUDA内核、顺序组件在GPU直接执行以减少主机-设备通信，工作数组全部驻留显存；包括Warp（atomicAdd聚合平方差和SSD）、Descriptor、Datacost、Prim's Graph（基于树的规约并行化最小键搜索）、Regularization（自定义Compare-And-Swap原子操作f
atomicMin与单线程树遍历强制主机同步）与Upsample六类内核。Hybrid CPU/GPU Parallelization Strategy：将GPU上运行较慢的Prim算法与消息传递正则化卸载至CPU，其余组件保留GPU，依性能剖析结果为各组件静态分配执行平台，且CPU与GPU间数据传输开销未对总体执行时间产生重要影响。
研究人员综合运用OpenMP多线程、CUDA内核与异构CPU/GPU混合三条技术路径加速基于MRF的DEEDS框架，关键技术方法包括模态无关邻域描述符（Modality-Independent Neighborhood Descriptor，MIND）计算、基于汉明距离的数据成本计算、基于Prim算法的MST构建、基于信念传播（belief propagation）的正则化优化及形变场向量插值上采样。样本队列为Learn2Reg 2020腹部CT数据集的46对训练图像（呼气-吸气配对，192×160×256体素，体素间距2×2×2 mm），各实现配准参数严格一致（5个分辨率层级、控制点网格间距'8,7,6,5,4'体素、离散搜索半径'8,7,6,5,4'步、位移量化步长'5,4,3,2,1'体素、正则化权重α=1.6）。
**结果与讨论（Results and Discussion）**
Descriptor函数：以串行实现为基线，OpenMP取得约4×加速，全GPU实现取得约111×加速，成为混合方案的基础。Datacost函数：OpenMP约5×，GPU约18×。PrimsGraph与RegularizationCL：OpenMP经多线程优化取得约7×加速；全GPU实现因Prim算法严格顺序数据依赖（每次迭代依赖上一步所选最小权重边）被迫以单线程配置执行主节点更新内核，逾546万次cudaDeviceSynchronize()调用消耗CUDA API总执行时间的65.6%，流多处理器（Streaming Multiprocessors，SM）严重利用不足，故OpenMP在此类基于图的阶段持续优于全GPU实现。UpsampleDeformationCL与WarpAffine：OpenMP约2.5×，GPU约30×加速。混合实现在三种版本中取得最佳整体性能：对混合实现的nvprof细粒度剖析显示，显式PCIe显存传输占端到端执行时间13.675 s的14%（主机到设备1.36%、设备到主机12.76%），内核启动API调用占2.5%，CPU同步等待占36.3%（因CPU与GPU并发执行，孤立组件占比合计自然超过100%）；零拷贝内存仅带来边际改善。内存消耗方面，OpenMP约需1.6 GB主机内存，全GPU实现主机内存降至约0.48 GB但显存约6 GB，混合实现显存约4 GB（预分配至最大工作尺寸）。评估以Jacobian行列式J(x)的标准差SD(log J)及|J|≤0折叠体素百分比衡量形变稳定性，Dice聚合严格排除背景体素。Scalability and Limitations：RTX 3090混合架构对384×320×512体素图像完成配准耗时98.606 s，较i7 11700F基线（166.325 s）获1.68×加速；局限包括性能依赖硬件（SM数量提升收益递减）、物理显存约束、MRF优化与Prim算法固有的顺序数据依赖与单指令多线程（Single Instruction Multiple Threads，SIMT）执行模型不兼容，以及逾546万次同步屏障带来的主机-设备通信开销；研究还将混合实现与Ekstr?m等人的混合框架工作进行比较。Our Software：研究人员开发了面向三维CT（吸气和呼气）扫描可变形配准的图形用户界面（Graphical User Interface，GUI），用于可视化配准过程与结果。
**结论（Conclusions）**
本研究表明，与单线程CPU基线相比，OpenMP、全GPU与混合CPU/GPU实现分别取得约5×、约2.8×与约9.5×的加速比。混合实现提供最快执行时间，同时保持可比的Dice评分与形变规律性，证明了异构计算在大规模三维医学图像配准中的有效性。与需大量训练数据的深度学习框架（如LapIRN）相比，所提出的混合优化方法无需训练数据，具有确定性与可解释性，对临床验证与部署具有重要意义。本工作的主要创新在于专为DEEDS框架设计的异构调度策略，将各计算组件系统性地分配至计算效率最高的架构；未来工作将研究自适应运行时调度、并行效率优于Prim算法的替代图优化算法，以及具备更大存储容量与更佳不规则图计算支持的新一代GPU架构。
