一种变换域HMT模型的脑磁共振体数据自适应增强方法技术

一种变换域HMT模型的脑磁共振体数据自适应增强方法，属于医学图像处理领域，本方法将小波变换和隐马尔科夫链进行有机结合。根据单个小波系数的概率密度函数呈高峰值、长拖尾的非高斯分布的特性，对单个小波系数的随机性建立高斯混合模型。同时，小波系数在尺度间传递的持续性采用隐马尔科夫树(Hidden Markov Tree,HMT)来描述。以此建立小波域隐马尔科夫树模型，使用EM算法对模型进行求解。使用HMT模型的解，估计无噪声干扰情况下小波系数取值的期望。对经过噪声抑制后的小波系数进行三维小波逆变换，得到增强的脑磁共振体数据。通过主观和客观评价可知，该小波自适应增强方法比小波阈值增强方法具有更好的视觉信息保真度。

【技术实现步骤摘要】
一种变换域HMT模型的脑磁共振体数据自适应增强方法
本专利技术属于医学图像处理领域，涉及一种脑磁共振体数据自适应增强方法，特别涉及一种变换域HMT(HiddenMarkovTree)模型的脑磁共振体数据自适应增强方法。
技术介绍
磁共振成像(MagneticResonanceImaging,MRI)是一种十分重要的先进医学成像技术，是一种革命性的医学诊断工具。该成像技术在不会对被检测对象造成危害的情况下，可以对人进行全方位扫描，利用人体不同组织含氢核数量的不同对应原子核运动产生的能级和相位变化也不同的特点，重构含有人体组织病理诊断信息的高精度断层立体图像。但是，在成像过程中，许多因素会导致图像质量下降，如噪声干扰、低对比度、成像伪影和几何变形等。这给基于磁共振图像的临床诊断和科学研究带来了挑战。为了克服磁共振图像的噪声，各种图像增强方法便应运而生。然而，图像增强存在一对矛盾，即增强边缘的同时也会增强噪声，而滤除噪声的同时又会使图像边缘在一定程度上模糊化。因此，进一步探究更好的图像增强方法，从而有效抑制磁共振图像的噪声是一项非常有意义和价值的研究课题。在众多图像增强方法中，基于小波分析的方法取得了巨大成功。目前的小波方法有很多子方法且各有特点。最早由Weaver等人提出的小波阈值噪声抑制方法是其中的子方法之一，该方法需要选定一个阈值，若小波系数比阈值大则置零。紧接着，Wood和Johnson对磁共振图像原始数据的实部和虚部分别进行基于小波包阈值噪声抑制方法，提高了方法的性能。随后，Gregg等人提出一种幅值平方的小波阈值噪声抑制方法，该方法的性能优于上述小波阈值方法。同时，Alexander等人提出既对幅值又对相位进行噪声抑制的小波方法，此方法有效提高了磁共振图像的信噪比和对比度。然后，Yang等人提出小波多尺度噪声抑制方法，该方法考虑了小波系数随尺度的变化，方法的性能变得更好。然而，基于小波的阈值噪声抑制方法存在一些问题和不足：对阈值的选择比较敏感，阈值过大则不能有效抑制图像噪声，过小则容易丢失图像中的有用信息。统计模型小波噪声抑制方法则可以一定程度上克服小波阈值方法的不足。由于小波系数具有服从非高斯分布的特性。同时，小波系数还具有其他两个特性，即聚集性和持续性：聚集性表现为如果一个小波系数是大或小的值，那么其相邻小波系数也极有可能为大或为小的值；持续性表现为在不同尺度上小波系数的大、小值沿着尺度传递。根据小波系数的这些特性，Bouman等人在1991年提出建立独立的非高斯小波系数统计模型，该模型忽略了小波系数间的相关性，而Lee等人提出建立联合高斯模型，则没有考虑小波系数分布的非高斯性。为了同时考虑小波系数的这3个特性，Course等人提出小波域的隐马尔科夫模型，来对图像进行增强。本专利技术为了克服上述方法中存在的问题，弥补现有小波阈值噪声抑制方法不足，通过充分利用隐马尔科夫模型能够对小波系数特性有效建模的优势，提出了基于小波域的隐马尔科夫树模型对脑磁共振体数据进行自适应增强的方法。
技术实现思路
本专利技术的目的在于提出一种变换域HMT模型的脑磁共振体数据自适应增强方法，该方法将小波变换和隐马尔科夫链结合起来。具体来说，根据单个小波系数的概率密度函数呈高峰值、长拖尾的非高斯分布的特性，对单个小波系数的随机性建立高斯混合模型。同时，小波系数在尺度间传递的持续性采用隐马尔科夫树来描述。通过上述小波域隐马尔科夫树模型，实现脑磁共振体数据的自适应增强，以期进一步有效抑制数据的噪声。本专利技术采用的技术方案由八个步骤组成，即如图1所示的流程图。各个步骤具体描述如下。第一步，三维小波变换。小波系数具有聚集性、持续性、局部性、多分辨性、边缘检测性、去相关性、以及能量紧束性等良好特性，是一种极其重要的时频分析工具。因此，选择三维小波变换对体数据进行增强。第二步，建立双状态隐马尔科夫树模型。单个小波系数的概率密度函数呈高峰值、长拖尾的非高斯分布，故使用两个高斯分布拟合小波系数的非高斯分布。其中小方差、零均值的高斯分布对应大部分幅值小的小波系数(小状态)，另外大方差、零均值的高斯分布对应少数幅值大的小波系数(大状态)。进一步结合小波系数的其他两个特性，即簇性聚集性和持续性，建立小波系数的双状态隐马尔科夫树模型。定义描述单个小波系数非高斯分布的概率密度函数为式中M为状态数(M＝2)；S为状态变量，即S＝1代表小状态，S＝2代表大状态；PS(m)表示小波系数在m状态的概率；f(w|S＝m)表示在状态m下小波系数对应的高斯概率密度函数。确定双状态隐马尔科夫树模型的参数集Θ＝(π,A,B)。π为概率分布函数，即根节点的概率分布函数其中m＝1,2,…,M；A为状态转移概率矩阵。所有父子节点的状态转移概率组成状态转移概率矩阵，即表示父节点小波系数状态Sρ(i)＝n时，子节点系数状态Si＝m的概率，其中m,n＝1,2,…,M；B为观测值概率分布矩阵。矩阵中的元素为小波系数对应不同状态时的均值μi,m和方差其中m＝1,2,…,M。故双状态隐马尔科夫树模型的参数集可具体表示为式中S为隐状态随机变量，W为小波系数随机变量，S1∈S为小波树的根节点的隐状态，w1∈W为小波树的根节点的小波系数，Si∈S为小波树第i个节点处小波系数的隐状态，wi∈W为小波树第i个节点处小波系数，ρi为节点i的父节点。第三步，捆绑具有相同统计特性的小波系数树。对三维数据进行小波变换，在七个高频方向得到各自的模型参数集，记为Θ＝{ΘHHH,ΘHHL,ΘHLH,ΘLHH,ΘHLL,ΘLHL,ΘLLH}。由于每棵小波树上每个节点对应的模型参数不同，这样会导致模型参数量过大而难于估计。故假设在同一尺度上，不同位置处的小波系数具有相同的统计特性，则位于同一尺度上的节点具有相同的模型参数集，对这些具有相同统计特性的小波系数树进行捆绑，从而降低增强方法的复杂度。第四步，初始化模型参数集。初始化状态数M＝2，循环计数l＝0。初始化模型参数集Θ0为：初始化概率分布初始化状态转移概率初始化均值μi,m＝0，初始化方差其中表示节点i所在尺度j上小波系数的方差。第五步，确定小波系数的条件概率。为了在模型参数Θl下，计算条件概率P(Si＝m|w,Θl)和定义如下变量。以节点i为根，子树Ti包括小波系数wi及其所有后代。TP是Ti的一棵子树，定义Ti\P表示在Ti中除去子树TP后其余的所有小波系数。特别的，T1表示整棵小波树，小波系数w1位于整棵小波树的根部。定义条件似然函数为Bi(m)＝f(Ti|Si＝m,Θ)，定义联合概率函数为Ai(m)＝P(Si＝m,T1\i|Θ)。根据贝叶斯公式得到小波系数的条件概率为第六步，模型的EM算法求解。E步计算(1)定义高斯概率密度函数表示为(2)为了计算条件概率P(Si＝m|w,Θl)和首先需要求得条件似然函数值Bi(m)、Bi,ρ(i)(m)、Bρ(i)\i(m)和联合概率函数值Ai(m)。而Bi(m)、Bi,ρ(i)(m)和Bρ(i)\i(m)值是通过传播粗尺度小波系数的信息来影响细尺度小波系数的状态来求得，这称之为向上算法；Ai(m)值是通过转移细尺度小波系数的信息来影响粗尺度小波系数的状态来求得，这称之为向下算法。对单棵小波树进行E步计算—向上算法本文档来自技高网...

【技术保护点】
1.一种变换域HMT模型的脑磁共振体数据自适应增强方法，其特征在于，所述变换域为小波域、HMT模型为隐马尔科夫树(Hidden Markov Tree)模型。

【技术特征摘要】
1.一种变换域HMT模型的脑磁共振体数据自适应增强方法，其特征在于，所述变换域为小波域、HMT模型为隐马尔科夫树(HiddenMarkovTree)模型。2.根据权利要求1所述的一种变换域HMT模型的脑磁共振体数据自适应增强方法，其特征在于，包括八个步骤，即(1)三维小波变换、(2)建立双状态隐马尔科夫树模型、(3)捆绑具有相同统计特性的小波系数树、(4)初始化HMT模型参数集、(5)确定小波系数的条件概率、(6)模型的EM算法求解(由E步计算和M步计算组成)、(7)估计经噪声抑制后的小波系数、(8)三维小波逆变换。3.根据权利要求2所述的步骤(1)三维小波变换，其特征在于，由切片内的二维变换和切片之间的一维变换联合实现，且进行三层的小波分解。4.根据权利要求2所述的步骤(2)建立双状态隐马尔科夫树模型，其特征在于，使用两个高斯分布来拟合小波系数的非高斯分布，其中零均值、小方差的高斯分布对应大部分幅值小的小波系数(小状态)，另外零均值、大方差的高斯分布对应少数幅值大的小波系数(大状态)。5.根据权利要求2所述的步骤(4)初始化HMT模型参数集，其特征在于，初始化概率分布为初始化状态转移概率为初始化均值...

【专利技术属性】
技术研发人员：程和伟，覃恒基，李章勇，王伟，赵德春，田银，冉鹏，刘洁，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50