1.一种基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，其特征在于，包括以下步骤：(1)收集高剂量CT肺部图像，并通过图像预处理方法，将高剂量CT肺部图像退化成低剂量CT肺部图像，每个高剂量CT肺部图像与对应的低剂量CT肺部图像组成一个样本；

(2)构建包含生成器和判别器的生成式对抗网络，其中，生成器包括依次连接的多尺度特征提取模块，卷积层、多个残差通道注意力模块、填充模块、残差模块以及上采样模块，用于依据输入的低剂量CT肺部图像生成预测的高剂量CT肺部图像，判别器包括一系列的卷积层和BN模块，用于判断输入的高剂量CT肺部图像的真伪；

其中，多尺度特征提取模块包括至少三支特征提取通路，每支特征提取通路采用不同大小的卷积核对低剂量CT肺部图像不同尺度和不同大小的感受野进行卷积操作进而提取不同图像特征，提取的不同图像特征经过融合操作，输出融合图像特征；

残差通道注意力模块包括平均池化层、至少2个卷积层，融合操作，输入的图像特征通过平均池化层和至少2个卷积层后的输出图像特征与输入的图像特征经融合操作融合得到的图像特征作为残差通道注意力模块的输出；

填充模块与残差通道注意力模块的输出连接，包含至少2个卷积层，用于对残差通道注意力模块输出的图像特征进行特征填充；

残差模块将多尺度特征提取模块输出的图像特征和填充模块输出的图像特征做融合作为上采样模块的输入特征；

上采样模块包括卷积层、PRelu非线性激活函数、上采样层以及卷积层，通过上采样操作将超分辨后的无噪声CT肺部图像分布提取出来作为高剂量CT肺部图像输出；

(3)利用样本训练所述生成式对抗网络优化网络参数，确定的网络参数与生成器组成超分辨率和去噪模型；

(4)应用时，采集低剂量CT肺部图像，并输入至超分辨率和去噪模型中，经计算输出高剂量CT肺部图像。

2.如权利要求1所述的基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，其特征在于，步骤(1)中，通过FBP算法向高剂量CT肺部图像中添加泊松噪声，并使用双插值方法将添加泊松噪声后的CT肺部图像下采样至少4倍，实现对质量CT肺部图像的退化，得到低剂量CT肺部图像。

3.如权利要求2所述的基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，其特征在于，下采样的尺寸为100×100，采样间隔为50。

4.如权利要求1所述的基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，其特征在于，对生成式对抗网络训练时，生成器和判别器都采用Adam优化器进行优化，初始学习率设置为0.001，然后每50个epoch衰减0.1倍，判别器的损失函数设置为：Dreal＝σ(D(y)‑E[D(G(x)))])→1如果y比G(x)更真实Dfake＝σ(D(G(x))‑E[D(y)])→0如果G(x)比y更真实其中，x表示低剂量CT肺部图像，y表示真实高剂量CT肺部图像，E(·)代表判别器的期望，σ(·)表示Sigmoid函数，G(·)表示生成器生成数据，D(·)表示判别器生成数据；

根据判别器的损失函数定义生成式对抗网络的损失函数LGAN为：

根据损失函数LGAN和损失函数LMSE定义生成器的损失函数LGenerator为：LGenerator＝αLMSE+βLGAN

其中，α，β为权重系数，损失函数LMSE。

5.如权利要求1或4所述的基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，其特征在于，在对生成式对抗网络训练结束后，还需要采用测试样本对生成式对抗网络的网络参数进行微调，再一次优化网络参数。