1.一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，所述方法包括以下步骤：S1：采集低剂量CT图片和常规剂量CT图片构建CT数据集转化为Numpy矩阵数据；

S2：对图像数据进行GTF(Geometric Tight Framelet)变换，得到1个低频分量和8个高频分量，对高频分量进行分组，每组的组内高频分量个数为2、3、3；

S3：创建紧框架扩散模型对低频分量进行去噪；

S4：创建组别高频增强网络对高频分量进行恢复；

S5：最后对增强和去噪后的分量进行逆GTF变换，得到去噪图像。

2.根据权利要求1所述的一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，S1包括以下步骤：S1.1：采集包含正常剂量和低剂量的dicom格式CT原始数据；

S1.2：对CT原始数据中正常剂量CT标记“target”标签，低剂量CT标记“input”标签；

S1.3：将带有标签的dicom格式的正常剂量CT和低剂量CT转化为NPY矩阵格式数据。

3.根据权利要求1所述的一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，S2包括以下步骤：S2.1：构建GTF变换及其逆变换滤波器；

S2.2：对Numpy矩阵进行GTF变换，得到1个低频分量和8个高频分量；

S2.3：对变换后的分量进行分组，高频分量分成三组，组内个数分别是2、3、3；

其中，S2.1包括以下步骤：

构建基础矩阵W0、W1与W2，它们将作为后续生成一系列复杂矩阵结构的关键起始模块；三个基础矩阵的形式如下：矩阵的大小与图像的切片大小一致；

现定义其中i，j＝0,1,2，表示克罗内克积，由此组合生成GTF变换滤波矩阵组：D0＝W0,0，

D5＝W1,2

D7＝W2,1，

其中D0为低通滤波器，其余分量为不同角度下的得到的高通滤波器，两者满足：DLTDH＝E

DL表示低通滤波器，DH表示高通滤波器，E表示单位矩阵；

其中，S2.2包括一下步骤：

给定单通道的预处理后的Numpy图像数据矩阵X，通过GTF变换后得到1个低频分量和8个高频分量，GTF变换的描述如下：[XL,XH]＝Conv([DL,DH],X)XL是低频分量，XH是高频分量，现定义GTF变换的逆变换为IGTF，描述如下：X′＝Conv(Transposed[DL,DH],[XL,XH])X′是IGTF后输出的图像Numpy矩阵，Conv是卷积操作，Transposed是转置操作；

其中，S2.3包括一下步骤：

根据高频分量之间的联系性，将经过克罗内克积得到的基础矩阵下标编号的首个数字相同的变换分量分为一组，分组情况如下：D1与D2分为一组；D3、D4和D5分为一组；D6、D7和D8分为一组。

4.根据权利要求1所述的一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，S3包括以下步骤：S3.1：引入紧框架扩散模型，对低频分量进行噪声扩散和残差扩散；

S3.2：构建残差预测网络和噪声预测网络；

S3.3：对扩散后的退化图像进行逆向采样，逐步去除分量中的残差和噪声；

其中，S3.1包括以下步骤：

令It-1为上一个状态的低频分量，It为当前状态下的低频分量，T为扩散的总的时间步长，则扩散过程如下:上式中，Ires是低剂量图像经过GTF变换后的低频分力量Iin和正常剂量图像经过GTF变换后得到低频分量I0之间的差值，即Ires＝Iin-I0，αt和βt控制残差扩散和噪声扩散，t∈{1,…,T},∈t-1,…,∈～N(0,1)，当t＝T时，其中，S3.2包括以下步骤：

使用U-Net网络构建残差预测网络和噪声预测网络∈θ(It,t,Iin),使用L1损失函数指导网络的学习，两个网络的损失函数如下：L∈(θ)：＝E[λ∈|∈-∈θ(It,t,Iin)|2]残差损失为Lres(θ)，噪声损失为L∈(θ)，λres,λε∈{0,1}，当λres＝1且λε＝1时，残差和噪声均被预测；

其中，S3.3包括以下步骤：

每个时间步的It已经由扩散过程得出，将它们与训练好的预测网络做差可以得到逆向的采样过程如下：最后将恢复后的低频分量与正常剂量经过GTF变换的低频分量做MSE损失：是经过模型得到的低频分量，low则是正常剂量经过GTF变换得到的低频分量，Llow是两者的MSE损失，N是图像的个数。

5.根据权利要求1所述的一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，S4包括以下步骤：S4.1：构建高频分量的特征提取模块；

S4.2：构建高频分量的空间频率增强模块；

S4.3：构建组别高频增强网络，对各高频分组分量进行增强；

其中，S4.1包括一下步骤：

设计一个特征提取模块High-frequency Feature Extract Module(HFEM)，这个网络模块有四个分支，前三个分支为1×1、3×3和5×5的多尺度卷积用于提取高频分量的特征，最后一个分支为可学习的Sobel算子Learnable Sobel Operator(LSO)用于提取高频分量的边缘信息，然后对浅层网络提取的特征进行展平操作，并进行归一化处理；它的描述如下：Relu(·)代表Relu激活函数，Convn×n(·)代表为大小为n的卷积核，代表拼接操作，LSO(·)代表边缘检测算法，Flatten(·)表示将二维空间展平成一维的线性表示，LayerNorm(·)代表层归一化，fg表示多尺度提取出来的局部特征，fe表示经过可学习Sobel算子提取出来的边缘特征，fm则是局部特征与边缘特征的结合，最后对fm展平与归一化，得到浅层网络的输出fo；

其中，S4.2包括一下步骤：

构建空间频率增强模块Spatial-Frequency Enhance Block(SFEB)，使用状态空间模型State Spatial Model(SSM)和卷积操作提取分量空间域的特征,它的描述如下：fssm1＝SiLU(x)

SiLU(·)表示为SiLU激活函数，LayerNorm(·)表示为层归一化，SSM(·)表示空间状态模型，DWConv(·)表示1×1的可分离深度卷积，是矩阵逐点相乘操作；

对高频分量使用二维傅里叶变换得到的相位谱和幅度，进行卷积操作得到频率域的特征,它的描述如下：finput＝Conv1×1(x)

Convn×n表示n维的卷积操作，FFT表示二维的傅里叶变换，Amp和Phase表示幅度和相位谱，IFFT表示二维傅里叶的逆变换；

其中，S4.3包括一下步骤：

设计了一个组别高频增强网络Grouped High-Frequency Enhancement Network(GHFEN)，用于是提取各高频分量的特征，与其他高频分量进行特征融合，并对分量进行增强，它的结构如下：当分组内部的高频分量个数为2时，使用HFEM分别对各个分量的特征进行提取，然后将提取后的特征与各个分量相对的另一个分量进行拼接融合，随后经过一个由SFFB的U型网络结构进行增强，得到增强后的高频分量，详细结构见图3；

当分组内部的高频分量个数为3时，使用HFEM分别对各个分量的特征进行提取，然后将提取后的特征与各个分量相对的另外两个分量进行拼接融合，随后经过一个由SFFB的U型网络结构进行增强，得到增强后的高频分量，详细结构见图4；

最后采用MSE损失来指导GHFEN进行学习，表达式如下：N表示图像的个数，M表示各组高频分量的个数，highi,j表示正常剂量提取出的高频分量，表示GHFEN的学习结果。

6.根据权利要求1所述的一种紧框架小波残差扩散模型的低剂量CT去噪方法，其特征在于，S5包括以下步骤：S5.1：将增强后的高频分量与增强后的低频分量合并；

S5.2：对合并后的分量进行逆GTF变换，使得分量重新变回图像域；

S5.3：根据计算定量指标PSNR、SSIM及定性人眼视觉效果对模型去噪效果进行评估。

7.一种低剂量CT去噪装置，应用权利要求1所述的紧框架小波残差扩散模型的低剂量CT去噪方法，其特征包括：预处理模块：用于采集数据、对数据进行标签标记并转化为Numpy矩阵；

GTF变换模块：用于对图像进行小波变换，低频分量表示图像轮廓，高频分量表示图像的边缘和细节；

紧框架扩散模型模块：用于对低频分量进行增强；

HFEM：用于对提取高频分量特征；

SFFB：用于对高频分量的空间域和频率域进行增强；

GHFEN：用于对高频分量间进行融合增强；

图像重建模块：用于将增强后的低频分量和高频分量进行逆GTF变换，生成重建后CT图像。