1.一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法，包括粗粒度处理和细粒度处理，其特征在于,具体步骤如下:一、粗粒度处理

S1：构建用于训练CT图像降噪网络的样本集  ，其中   为低剂量CT图像，  为正常剂量CT图像；

S2：训练预测CT图像噪声的网络：引用一种公开的深度残差卷积神经网络模型DR‑CNN作为预测噪声的网络，该网络输入为   ，输出为预测的残差图像，即噪声图像，残差图像由   得到；通过数据集   来对DR‑CNN进行监督学习，从而得到训练好的DR‑CNN；

S3：使用训练好的DR‑CNN对LDCT图像进行初步降噪，将   输入训练好的DR‑CNN中得到预测的噪声图像：（2）

其中，  为   通过网络预测到的噪声图像，  为DR‑CNN；

S4：对LDCT进行初步降噪，为之后的细粒度降噪处理减轻负担：  （3）

其中，  为LDCT初步降噪后的结果；

二、细粒度处理

S5：由于NDCT作为ground truth时，其中的噪声依然会影响降噪结果，所以该方法将降噪后的NDCT作为ground truth；

         （4）

        （5）

其中，  为   通过网络预测到的噪声图像，  为NDCT初步降噪后的结果，作为细粒度处理的ground truth；

S6：因为频域图像更能体现原图像的边缘信息和细节信息，所以该方法通过两个生成对抗网络分别对时域和频域上的CT图像进行训练，即双域联合降噪；该方法使用公开网络模型WGAN，每个WGAN包含一个生成器和一个判别器；

S7：总体的损失函数为

（16）。

2.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于,所述步骤S1具备包括以下步骤：S1‑1:使用Mayo数据集；该数据集具有2378副成对的CT图像，即每个正常剂量的CT图像都有对应的低剂量CT图像；

S1‑2：将数据集分为两部分，其中1902副CT图像作为训练集，476副CT图像作为测试集。

3.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S2具备包括以下步骤：S2‑1：引用一种公开的深度残差卷积神经网络模型DR‑CNN作为预测噪声的网络，该网络输入为  ，输出为预测的残差图像，即噪声图像，残差图像由  得到；

该网络全部使用小卷积核，即 卷积核，增强了网络的非线性；第一层使用Conv+ReLU，第二层使用Conv+BN+ReLU，之后连续使用四个旁路连接模块，为了避免随着网络深度的增加，信息丢失现象严重，所以每个模块中都添加了旁路连接，最后一个卷积层中设置了

1组卷积核，将通道转为1通道，输出预测的残差图像；

S2‑2：通过数据集  来对DR‑CNN进行原网络相同的监督学习的训练方式，由构建的样本集 中保留  ，并采用原方法得到残差图像的方式得到对应的残差图像  ，从而得到 一一对应的样本集；

S2‑3： 作为输入图像，  作为groundtruth，对网络进行监督学习，得到训练好的DR‑CNN；

该网络的损失函数为 ，

（1）

其中N为BN层的批量大小， 为一个批量中第 个输入图像， 为与  对应的一个批量中第 个NDCT图像，Y为预测的残差图像，  为groundtruth。

4.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S5具备包括以下步骤：S5‑1：首先使用初步预测噪声的网络DR‑CNN来预测NDCT中的噪声：         （4）

S5‑2：之后将噪声从NDCT图像中除去：        （5）

其中，  为   通过网络预测到的噪声图像，  为NDCT初步降噪后的结果，作为细粒度处理的ground truth。

5.根据权利要求1所述的一种基于GAN的融合NDCT噪声的低剂量CT双域联合降噪方法,其特征在于, 所述步骤S6具备包括以下步骤：S6‑1：首先处理时域上初步降噪后的CT图像，将   输入到生成器   中：（6）

其中   为生成器   ，  为生成器   的生成图像；

S6‑2：将 作为ground truth与  一起输入判别器   ，由判别器判断   是否是真的  ：（7）

其中   为生成器   ，判别的结果   有1（true）和0（false）；

定义该生成对抗网络的损失函数为  ：

（8）

（9）

其中  和  分别为生成器   、判别器   的输出结果，是个加权超参数，该方法中设为10，为从生成器   和groundtruth图像的输出集合中随机采样的结果，Y为ground truth；

S6‑3: 使用numpy包中的  .fft.fft2（）函数将时域上的   和   都转到频域上：（10）

（11）

其中 为快速傅里叶变换（FFT），  为   初步降噪后转到频域上的图像，  为   初步降噪后转到频域上的图像；

S6‑4：用生成对抗网络GAN对频域上的CT图像进行处理，将   输入到生成器   中：（12）

其中   为生成器   ，  为生成器   的生成图像；

S6‑5：将   作为ground truth与  一起输入判别器   ，由判别器判断   是否是真的  ：     （13）

其中   为生成器   ，判别的结果   有1（true）和0（false）；

定义该生成对抗网络的损失函数为 ：

（14）

（15）

其中  和  分别为生成器   、判别器   的输出结果，为从生成器   和groundtruth图像的输出集合中随机采样的结果。