MRI parallel processing for embedded visualization

This work focuses on the development of the BrainTool, an embedded application that provides full automated volume segmentation and visualization of a reconstructed 3D mesh of human brains. A brain scan is performed to acquire a set of voxels using a 3D Magnetic Resonance sampler. The application is executed on embedded (mobile) systems. The tool operates through three principal modules: an automatic segmentation to remove the non-brain structures, a parallel implementation state of art Marching Cubes mesh synthesizer followed by an OpenGL ES rendering step to achieve model interactive visualization. The development of the application is done using two different low cost boards integrating low power state of art CPU and GPU into embedded system on chip; in order to test the solution, samples acquired from MRI equipment commonly available at hospitals are used. The experiments allow to conclude that the Marching Cube algorithm parallelize fairly enough and can be distributed on the available resources reaching scalable performances when executed on laptop and embedded systems. Rendering of complex graphics assets up to 2.5M triangles per model is performed.

Questo lavoro di tesi si concentra sullo sviluppo del BrainTool, un programma integrato che fornisce la segmentazione automatica del volume e la visualizzazione di una mesh 3D ricostruita del cervello umano. Viene effettuata una scansione cerebrale per acquisire un insieme di voxel, utilizzando una MRI. L'applicazione viene eseguita su sistemi embedded (mobile). Lo strumento opera attraverso tre principali moduli: una segmentazione automatica per rimuovere le strutture non-cerebrali, un modulo di implementazione parallela dell’algoritmo di marching cube allo stato dell’arte e da una fase di rendering OpenGL per fornire una visualizzazione interattiva. Lo sviluppo dell'applicazione è stato fatto impiegando due board embedded a basso costo, che integrano in un solo chip CPU e GPU. Al fine di testare la soluzione, sono stati utilizzati i campioni acquisiti dalle apparecchiature MRI, comunemente disponibili presso gli ospedali. I test svolti permettono di concludere che l'algoritmo di marching cube parallelizza abbastanza bene e può essere distribuito alle risorse disponibili raggiungendo performance scalabili. Viene eseguito il rendering di modelli grafici complessi fino a 2,5 milioni di triangoli.