El análisis de características de textura es una forma muy utilizada para obtener información a partir de imágenes médicas. Las aplicaciones van desde la segmentación de estructuras anatómicas específicas y la detección de lesiones, hasta la diferenciación entre tejido patológico y tejido sano. Un método de extracción de características de textura propuesto recientemente, llamado Auto Información Mutua (AMI, por sus siglas en inglés), demostró superar a otros nueve métodos en el contexto de la clasificación de lesiones mamarias en imágenes de ultrasonido. Sin embargo, tiene el factor limitante de que es doce veces más lento que ellos y no es escalable para su aplicación a tamaños de imágenes médicas más grandes, por ejemplo, mamografías. Hoy en día, las arquitecturas multinúcleo están ampliamente disponibles y generalmente brindan una gran aceleración cuando se trata de operaciones vectoriales. Sin embargo, una de las principales dificultades del uso de estas tecnologías suele consistir en problemas relacionados con la gestión de la memoria, como tener un espacio limitado para tipos específicos de memoria, o la brecha entre la velocidad del procesador y la memoria. Es importante implementar algoritmos de múltiples núcleos que sean escalables para poder usar tantos procesadores como estén disponibles.
En este trabajo, proponemos varios diseños paralelos para el método AMI, utilizando OpenMP como una herramienta de paralelización de CPU de múltiples núcleos, y CUDA para la programación de unidades de procesamiento gráfico, con el objetivo de obtener vectores de características a partir de imágenes médicas de gran tamaño en un tiempo razonable. Como prueba de concepto, se procesarán mamografías con alta resolución espacial.
Abstract
The analysis of texture features is a widely used way to obtain information from medical images. The applications range from segmentation of specific anatomical structures and the detection of lesions, to differentiation between pathological and healthy tissue. This thesis focuses on the application to the breast lesion classification. A recently proposed texture feature extraction method, called Auto-Mutual Information (AMI), proved to outperform nine other methods in the context of breast lesion classification. However, it has the limiting factor that it is twelve times slower than them, and not scalable for its application to larger medical image sizes. Nowadays, multi-core architectures are widely available and generally provide a great speedup when it comes to vector operations. However, one of the main hardships of using these technologies often consist of issues related to memory management, such as having limited space for specific types of memory, or the poor processormemory speed gap. It is important to implement multi-core algorithms that are scalable to be able to use as many processors as are available.
In this work, we propose several parallel designs for the AMI algorithm, using OpenMP as a multi-core CPU parallelization tool, and CUDA for the programming of graphic processing units, with the aim of obtaining feature vectors from large medical images in a reasonable amount of time.
