Optimization of Ultrasound Signal and Image Processing Using the Tensorflow Framework

Abstract

Ultralyd er et av de mest brukte avbildnings-systemene som brukes innenfor det medisinske feltet. Det er et ikke-invasivt og allsidig diagnostisk verktøy som går igjennom flere prosesseringstrinn før det omdanner et bilde av de anatomiske strukturene i menneskekroppen. Mye av prosesseringen i ultralyd foregår med tradisjonelle CPU'er. Utviklingen av arkitekturen innenfor hardware og software har gjort CPU treig som har ført til bruken av GPU i medisinske systemer. GPU introduserer paralell prosessering og høy gjennomstrømning som har ført til raskere prosessering. GPU tillater også mulighet for ikke-grafisk beregningsoppgave som kan være til fordel for felt innen informatikk.

Denne oppgaven presenterer implementeringen av prosessering komponenter for ultralyd. Komponentene er sammensatt på ulike måter for å generere tre ulike funksjoner; farge Doppler, segmentering og B-mode. Disse funksjonene ble vellykket utviklet med tensorflow som back-end og generert som grafer. Disse grafene ble kjørt/utført på GPU og CPU for å undersøke og optimalisere beregningstiden.

Funksjonen Farge Doppler viser blodfordelingen som er kodet i farger. Denne funksjonen består av prosessering komponenter som skann konvertering, interpolasjon, glattingsfilter og vev filter. Som et eksempel ble denne funksjonen importert og kjørt/utført på et eksisterende rammeverk, FAST, som gir den samme blodfordelingen som tensorflow. Segmenterings funksjonen klassifiserer objekter/strukturer på biologisk data. Denne funksjonen består av forhåndstrente nevrale nettverk som ble gitt av Instituttet for sirkulasjon og medisinsk bildebehandling ved St.Olavs Hospital. Denne funksjonen består av prosessering komponenter som skann konvertering, interpolasjon og nevrale nettverk som utfører segmentering. B-mode funksjonen består av prosesserings komponenter som skann konvertering og interpolasjon. Denne funksjonen tar inn ultralydopptak av menneskets hjerte og danner et høy-oppløsningsbildet for hver eneste bilde i opptaket.

Beregningstiden for farge Doppler ble undersøkt ved å kjøre/utføre grafene på CPU og GPU. Resultatene viser at prosesseringen av grafen er 12,5 ganger raskere på GPU enn CPU. Grafene ble også undersøkt ved å generere funksjonene som enkel og separerte grafer. Motivasjonen bak dette var å undersøke om det oppstår en forskjell i beregningstid. Resultatene konkluderer med at tensorflow utfører enkelt og separate grafer identisk, altså at det ikke oppstår en forskjell i beregningstid.

Ultrasound imaging system is one of the widely used imaging techniques used in the medical field. It is a non-invasive and versatile diagnostic tool that consists of many processing steps before displaying anatomic structures whitin humans. A lot of the processing within ultrasound is performed with traditional CPU's. The development of architetures within software and hardware has made the CPU slow, which has led to the use of GPU in medical imaging systems. The GPU introduces parallel processing and high throughput, that has led to faster processing. It also allows for non-graphical computation task which can benefit fields within computer science.

This thesis presents the implementation of components for ultrasound image processing. The implementation of processing components are combined to generate three different pipelines; segmentation, color flow imaging and B-mode. These pipelines were successfully developed with tensorflow as back-end and generated as graphs. The graphs where executed on GPU and CPU to investigate and optimize the computational time.

The color flow pipeline displays the blood distribution which are encoded in colors. The processing components included in the pipeline are scan conversion, interpolation, smoothing filter and clutter filter. As an example, this pipeline was imported and executed with the open source framework FAST yielding the same blood distribution as tensorflow. The segmentation pipeline performs image segmentation on biological data. This pipeline consists of pretrained neural network that are provided from Department of Circulation and Medical Imaging at St.Olavs Hospital. The pipeline consists of processing task such as scan conversion, interpolation and neural network that performs segmentation. The B-mode pipeline consists of processing components such as scan conversion and interpolation. The pipeline takes in ultrasound recordings of the human heart and displays a high resolution B-mode image.

The computational time of color flow processing was investigated by executing graphs on CPU and GPU. Results presents the processing of graph to be 12.5 times faster on GPU than CPU. The graphs was also investigated by generating the pipeline as single and seperate graphs. The motivation behind this was to investigate if a difference in execution time occurs. The results conclude that tensorflow executes single and separate graphs identically.