1.基于噪声先验的CNN医学CT图像去噪方法，具体步骤如下：

步骤1)创建医学CT图像模型：

创建医学CT图像模型采用高斯噪声模型，其数学表达式为：

Y＝X+V                                      (1)其中X是为不含噪声的干净图像，Y为实际含噪声图像，V为噪声；V的噪声分布服从高斯分布，高斯噪声是指它的概率密度函数服从高斯分布的一类噪声，即为高斯随机变量z概率密度函数，其数学表达式为：其中μ表示为数学期望，σ表示为标准差；

步骤2)构建噪声先验信息提取网络：

噪声先验信息提取网络将噪声图像作为输入，构建三个网络层，分别为输入层、隐藏层和输出层；输入层采用3×3大小的卷积核，通道数量设置为32，卷积步长设为1，padding为

1；隐藏层设置为5层并且每一层之间采用短跳跃连接，均采用大小为3×3的卷积核，通道数量设置为32，卷积步长设为1，padding为1；输出层输入层采用3×3大小的卷积核，通道数量设置为1，卷积步长设为1，padding为1；噪声先验信息提取网络将噪声图像作为噪声先验信息输入，输出图像尺寸与输入图像尺寸相同，通道数设为32；

步骤3)构建去噪网络：

去噪网络分为三部分：

第一部分将噪声先验信息提取网络的输出和噪声原图作为输入，先经过一个Conv+BN+PReLU层，其中卷积核设置为3×3，步长为1，padding为1，然后通过一个卷积，其卷积核设置为3×3，步长为2，padding为1；

第二部分使用三个相同结构的子网络并联接入；每一个子网络有13层；其中第2层使用Conv+PReLU结构且卷积核设置为3×3，步长为1，padding为1；第4层使用Conv结构且卷积核设置为3×3，步长为1，padding为1；第9、10、11、12、13层使用Conv+BN+PReLU结构且卷积核设置为3×3，步长为1，padding为1；第1、3层使用Conv+PReLU结构且卷积核设置为3×3，步长为2，padding为1；第5、7、8层使用Sub‑pixel convolution；第1、2和3、4采用跳跃连接；子网络第3层的输出分别串行加入第6层中；最后将三个子网络的输出串联拼接；

第三部分使用Conv+PReLU的结构，使用7个卷积核为3×3，步长为1，padding为1的卷积层；在第1—5层中每层之间均使用跳跃连接；在第1层和第4层之间使用跳跃连接；在第2层和第5层之间只用跳跃连接；

步骤4)训练噪声先验信息提取网络并更新参数：

在图像预处理阶段将训练集和验证集裁剪为32×32的尺寸并加入噪声，去噪网络中的权重参数设施为随机初始化，使用高斯加性白噪声替代医学CT图像中的噪声，对原始干净图像分别添加均值为0，标准差为5、10、15、20、25、30、35、40、45、50的高斯白噪声得到去噪网络训练数据，将标准差张成32×32尺寸的张量，该张量为噪声图像的噪声水平图，由此得到先验信息提取网络的标签数据；

为了约束生成的特征图符合噪声信息，将模型输出特征图和标签对应位置的像素做均方误差和计算，求出一个Batch的输出图像和干净图像的平均均方误差；其损失函数公式为：θ1代表训练参数，N代表训练集中图片数量，yi代表噪声图，xi代表标签图，R(yi；θ1)代表估计的特征图；

优化参数，具体包括：

CNN网络使用Adam优化器对噪声先验信息提取网络的参数进行更新，不添加偏置，只对噪声先验信息提取网络中权重进行参数优化更新；

步骤5)训练去噪网络并更新参数：

采用医学脑部CT图像作为去噪目标，在图像预处理阶段将训练集和验证集裁剪为32×

32的尺寸并加入噪声，去噪网络中的权重参数设施为随机初始化，使用高斯加性白噪声替代医学CT图像中的噪声，对原始干净图像分别添加均值为0，标准差为15、30、45的高斯白噪声，将标准差张成32×32尺寸的噪声水平图并将其与噪声图片串行拼接，由此得到去噪网络训练数据；

优化参数，具体包括：

该网络使用Adam优化器对整个去噪网络的参数进行更新，不添加偏置，只对网络中权重进行参数优化更新；其损失函数公式为：θ2代表训练参数，N代表训练集中图片数量，yi代表噪声图和噪声水平图的串联图，xi代表不含噪声的干净图片，R(yi；θ2)代表估计的干净图像；

步骤6)医学CT图像去噪；

使用两个网络进行去噪，分别是：噪声先验信息提取网络、去噪网络；首先向噪声先验信息提取网络中输入测试集中含噪声的医学CT图像，将噪声先验信息提取网络预测出的噪声水平图与噪声图串行拼接，并输入去噪网络进行预测，最后去噪网络输出去除噪声的医学CT图像。