1.基于多特征提取的CNN医学CT图像去噪方法，具体步骤如下：步骤1)构建医学CT图像模型；

1.1构建医学CT电信号模型；

医学CT图像的模型主要由两部分组成，既有效的人体组织反射信号和无效的噪声信号，而噪声信号则包括乘性噪声和加性噪声，其中加性噪声相对于乘性噪声来说对CT图像的影响非常微小；所以考虑乘性噪声，CT电信号的通用模型s(x,y)表示为：s(x,y) ＝ r(x,y)n(x,y)                            (1)其中，(x,y)分别代表图像的横纵坐标，r(x,y)表示无噪声信号，n(x,y)表示相乘噪声；

1.2构建医学CT图像噪声数学模型；

在H的方式下，引入n(x,y)；

f(x,y)表示在二维空间的能量分布，n(x,y)表示为噪声；得到含噪声图像g(x,y)；数学表达式为：g(x,y) ＝ H[f(x,y)] + n(x,y)                          (2)数学简单表达式为：

Y ＝ X + V                                (3)其中X理解为不含噪声的干净图像，V为图像噪声，Y为实际含噪声图像；

1.3对医学CT图像中高斯噪声进行仿真实验处理；

在低强度发射电流情况下会产生过量的高斯噪声，使得CT投影图像质量产生严重的退化；高斯噪声概率密度函数服从正态分布，即为高斯随机变量z概率密度函数：μ表示为数学期望，σ表示为标准差；

步骤2)构建网络模型；

21.构建网络层结构；

构建网络层，分别为输入层、隐藏层、输出层；输入层是图像的输入，隐藏层深度L设为

16；大量神经元相互连接构成网络层，节点之间相互联接构成网络层，节点即神经元，神经元分成不同的层次，每个神经元与相邻层的其它神经元相连；每一层神经元都有输入和输出；

22.构建隐藏层；

隐藏层第一层实现多特征提取，在第2层到第L层中采用尺寸大小均为3×3的卷积滤波器，并且数量均设置为64；在每层卷积操作之后进行批归一化处理(BN)；再经过激活函数PReLU处理；

提取多特征：

多特征提取过程中，设置不同尺寸大小卷积滤波器对输入图像进行多特征信息提取；

第一层图像特征提取为浅层特征提取；设置三种尺寸大小的卷积滤波器，分别为3×3,5×

5,7×7，并且三种卷积滤波器的数量分别为32个、20个、12个；经过卷积操作后得到64特征映射图；三种尺寸大小均为奇数，均有一个中心点；每种尺寸卷积滤波器对图像进行特征提取；在卷积操作过程中三种卷积滤波器的中心点重叠在一起；将三种卷积滤波器得到的图像特征信息串联；得到的特征信息再输入到下一层神经网络中；

实现多特征提取后再经过PReLU激活函数处理；隐藏层均使用PReLU激活函数处理；

PReLU激活函数公示如下：

f(x)表示输入的PReLU函数，x表示输入值；

在激活函数中引入一个参数a；在网络实际训练过程中，网络的性能得到提升，同时加快PReLU的收敛速度；在隐藏层中每一层经过卷积操作之后，再经过归一化处理(BN)，再经过激活函数PReLU函数处理；在网络模型中最后一层使用1个大小为3×3×64的卷积滤波器实现图像重建输出；

隐藏层中批归一化处理(BN)，在网络训练的过程中某个batch数据是{x1,x2,...xn}，batch数据是批块数据；这个数据可以是输入也可以是网络中间的某一层输出；将每批数据进行运算处理，使其分布等于全部训练数据的数据分布；每一层批归一化处理中得到数据均值为μβ，标准差为 归一化处理后数据为 数据重构得到yi′，公式如下：γ和β是网络中学习的参数值，在网络训练中学习得到，并不断更新；

步骤3)训练网络和更新参数；

网络模型采用的训练数据集为标记好的医学CT图像数据集；数据集来源为The Cancer Imaging Archive中407张CT图像；构建训练数据集和测试数据集分别占源数据集比例为

80％和20％；

数据集中的医学CT图像为灰度图像，修改图像的尺寸大小；对图像进行裁剪构造多个图像块用于网络训练；网络模型中噪声的水平σ设置在[0,55]之间；

网络模型中权重参数初始化采用MSRA初始化，该初始化是均值为0，方差为2/n的高斯分布；

网络模型针对噪声V学习，获得残差R(v)来近似噪声；在噪声学习中实现多特征提取；

提升网络模型的训练效率和网络模型的去噪能力；

更新参数：

网络模型中采用反向传播算法(BP算法)，对网络中权重和偏置进行参数更新；分为正向传播和反向传播；训练迭代过程中利用损失函数完成权值的更新；

训练迭代过程中，损失函数L(Θ)公式为：

Θ代表训练参数，N代表训练集中图片数量，yi代表一张含有噪声的图片，xi代表不含噪声的干净图片，R(yi；Θ)代表估计的噪声残差，(yi‑xi)代表图片中真实噪声；

损失函数L(Θ)中期望值通过R(yi；Θ)与(yi‑xi)间的平方误差计算；

步骤4)对医学CT图像进行去噪处理；

网络模型训练好后得到医学CT图像去噪模型，向模型中输入测试集中含噪声的医学CT图像，网络输出去除噪声的医学CT图像。