1.一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法，其特征在于，所述方法包括如下步骤：

1)构建轻量级三维卷积模块；

2)构建轻量级三维卷积神经网络模型，设定参数，进行训练；

3)利用训练好的轻量级三维卷积神经网络，对OCT体数据进行去噪。

2.根据权利要求1所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法，其特征在于，所述步骤1)包括如下步骤：

(11)将卷积模块进行改进，改进后的卷积模块为：输入数据先由16个大小为3*3*3的三维卷积提取特征，接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征，最后把原来的16种特征与线性变换后的48种新特征进行Concat；

(12)用改进后的轻量级卷积模块代替原来的卷积模块，使网络结构轻量化，与原来卷积模块中的标准三维卷积相比，输入特征的尺寸为DF×DF×DD×M，输出特征的尺寸为DF×DF×DD×N，三维卷积核提取的特征数为n，线性变化种类为s，三维卷积核和三维深度卷积和尺寸同为DK×DK×DK，处理相同输入特征，标准三维卷积计算的参数量为：(DK×DK×DK×M)×N，改进后的卷积模块中，理论计算参数量为：n×DK×DK×DK×M+(s‑1)×n×DK×DK×DK，改进后的计算量是原来计算量的

3.根据权利要求1或2所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法，其特征在于，所述步骤2)包括如下步骤：

(21)整个轻量三维卷积神经网络模型分为三个部分：第一部分由一个改进后的卷积模块和ReLu激活函数组成，轻量级卷积模块为：输入数据大小为256*256*1400*1，先由16个大小为3*3*3的三维卷积提取特征，接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征，最后把原来的16种特征与线性变换后的48种新特征进行Concat，最终输出特征数目为256*256*1400*64；第二部分由D个轻量级增强通道注意力模块组成，每个轻量级增强通道注意力模块中，第一部分的特征输出先经过使用2个轻量级卷积模块构成的残差块学习特征，输出特征大小为256*256*1400*64，再经过使用2个轻量级卷积模块和1个三维卷积模块构成的残差块来进行压缩，输出特征大小为256*256*1400*

64，最后经过通道注意力模块；通道注意力模块为：输入特征先进行全局平均池化，输出大小为1*1*1*64的特征，然后进行下采样，使用soft—shrinkage激活，再进行上采样，使用sigmoid函数激活，两次采样均使用大小为1*1*1的三维卷积核，得到大小为1*1*1*64权重特征，将上一个残差块压缩后的输出与该权重特征相乘，得到大小为256*256*1400*64的不同权重的特征，将此输出特征与第一部分输出的特征结合，作为第三部分的输入，输入特征大小为256*256*1400*64；第三部分为重构模块，由一个大小为3*3*3的三维卷积构成，最后使用一个长连接将原始OCT体数据添加到第三部分的输出中，以便学习噪声，网络的最终输出为干净的体数据；

(22)准备两组训练数据，一组是通过OCT采集到未经处理的体数据，另一组则是使用BM3D去噪算法对数据进行去噪操作；从(0,0,0)位置开始，步长为20像素，在两个数据集中分别截取大小为256*256*1400的指纹体数据，绕y轴旋转90度，180度，270度得到新的体数据；

(23)确定轻量级三维卷积神经网络的参数，将训练集中的图片载入模型进行训练，所述步骤(23)中，损失函数为真实数据与网络输出之间的平均误差；

其中： 代表N对噪声—干净训练体数据，Net(xi)为网络的预测的干净的体数据。

4.根据权利要求1或2所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法，其特征在于，所述步骤3)包括如下过程：

为了配合训练好模型的输入图像尺寸，设立一个大小为256*256*1400的窗口以步长为

193依次截取原大小1800*500*1400的三维图像数据，得到一系列子图片，将子图片输入到训练好的网络中，输出为去噪后的三维图片，最后将这些子图片重新拼接成1800*500*1400的图像数据。