[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

说明书

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。

技术领域

本发明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(Hidden Markov Tree)模型的脑磁共振体数据自适应增强方法。

背景技术

磁共振成像(Magnetic Resonance Imaging,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。

本发明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。

发明内容

本发明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。