[发明专利]一种变换域HMT模型的脑磁共振体数据自适应增强方法

权利要求书

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。

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为μ_i,m＝0，初始化方差为其中表示节点i所在尺度j上小波系数的方差。

6.根据权利要求2所述的步骤(5)确定小波系数的条件概率，其特征在于，定义条件似然函数为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)，定义联合概率函数为A_i(m)＝P(S_i＝m,T_1\i|Θ)，则小波系数的条件概率为

7.根据权利要求2所述的步骤(6)中E步计算，其特征在于，对每棵小波树进行E步计算—向上算法，即由细尺度向粗尺度循环迭代，估计条件似然函数；对每棵小波树进行E步计算—向下算法，即由粗尺度向细尺度循环迭代，估计联合概率函数。

8.根据权利要求2所述的步骤(6)中M步计算，其特征在于，更新模型参数Θ^l+1，当‖Θ^l+1-Θ^l‖足够小，循环停止，否则l＝l+1从E步计算继续进行模型更新。

9.根据权利要求2所述的步骤(7)估计经噪声抑制后的小波系数，其特征在于，经噪声抑制的小波系数条件期望为

10.根据权利要求2所述的步骤(8)三维小波逆变换，其特征在于，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。