[發(fā)明專利]一種變換域HMT模型的腦磁共振體數(shù)據(jù)自適應(yīng)增強(qiáng)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811091606.5
• 申請(qǐng)日: 2018-09-19
• 公開(kāi)（公告）號(hào): CN109345516A
• 公開(kāi)（公告）日: 2019-02-15
• 發(fā)明（設(shè)計(jì)）人: 程和偉;覃恒基;李章勇;王偉;趙德春;田銀;冉鵬;劉潔
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種變換域HMT模型的腦磁共振體數(shù)據(jù)自適應(yīng)增強(qiáng)方法，其特征在于，所述變換域?yàn)樾〔ㄓ颉MT模型為隱馬爾科夫樹(shù)(Hidden Markov Tree)模型。

2.根據(jù)權(quán)利要求1所述的一種變換域HMT模型的腦磁共振體數(shù)據(jù)自適應(yīng)增強(qiáng)方法，其特征在于，包括八個(gè)步驟，即(1)三維小波變換、(2)建立雙狀態(tài)隱馬爾科夫樹(shù)模型、(3)捆綁具有相同統(tǒng)計(jì)特性的小波系數(shù)樹(shù)、(4)初始化HMT模型參數(shù)集、(5)確定小波系數(shù)的條件概率、(6)模型的EM算法求解(由E步計(jì)算和M步計(jì)算組成)、(7)估計(jì)經(jīng)噪聲抑制后的小波系數(shù)、(8)三維小波逆變換。

3.根據(jù)權(quán)利要求2所述的步驟(1)三維小波變換，其特征在于，由切片內(nèi)的二維變換和切片之間的一維變換聯(lián)合實(shí)現(xiàn)，且進(jìn)行三層的小波分解。

4.根據(jù)權(quán)利要求2所述的步驟(2)建立雙狀態(tài)隱馬爾科夫樹(shù)模型，其特征在于，使用兩個(gè)高斯分布來(lái)擬合小波系數(shù)的非高斯分布，其中零均值、小方差的高斯分布對(duì)應(yīng)大部分幅值小的小波系數(shù)(小狀態(tài))，另外零均值、大方差的高斯分布對(duì)應(yīng)少數(shù)幅值大的小波系數(shù)(大狀態(tài))。

5.根據(jù)權(quán)利要求2所述的步驟(4)初始化HMT模型參數(shù)集，其特征在于，初始化概率分布為初始化狀態(tài)轉(zhuǎn)移概率為初始化均值為μ_i,m＝0，初始化方差為其中表示節(jié)點(diǎn)i所在尺度j上小波系數(shù)的方差。

6.根據(jù)權(quán)利要求2所述的步驟(5)確定小波系數(shù)的條件概率，其特征在于，定義條件似然函數(shù)為B_i(m)＝f(T_i|S_i＝m,Θ)、B_i,ρ(i)(m)＝f(T_i|S_ρ(i)＝m,Θ)和B_ρ(i)\i(m)＝f(T_ρ(i)\i|S_ρ(i)＝m,Θ)，定義聯(lián)合概率函數(shù)為A_i(m)＝P(S_i＝m,T_1\i|Θ)，則小波系數(shù)的條件概率為

7.根據(jù)權(quán)利要求2所述的步驟(6)中E步計(jì)算，其特征在于，對(duì)每棵小波樹(shù)進(jìn)行E步計(jì)算—向上算法，即由細(xì)尺度向粗尺度循環(huán)迭代，估計(jì)條件似然函數(shù)；對(duì)每棵小波樹(shù)進(jìn)行E步計(jì)算—向下算法，即由粗尺度向細(xì)尺度循環(huán)迭代，估計(jì)聯(lián)合概率函數(shù)。

8.根據(jù)權(quán)利要求2所述的步驟(6)中M步計(jì)算，其特征在于，更新模型參數(shù)Θ^l+1，當(dāng)‖Θ^l+1-Θ^l‖足夠小，循環(huán)停止，否則l＝l+1從E步計(jì)算繼續(xù)進(jìn)行模型更新。

9.根據(jù)權(quán)利要求2所述的步驟(7)估計(jì)經(jīng)噪聲抑制后的小波系數(shù)，其特征在于，經(jīng)噪聲抑制的小波系數(shù)條件期望為

10.根據(jù)權(quán)利要求2所述的步驟(8)三維小波逆變換，其特征在于，對(duì)經(jīng)過(guò)噪聲抑制后的小波系數(shù)進(jìn)行三維小波逆變換，得到增強(qiáng)的腦磁共振體數(shù)據(jù)。