1.一种低剂量ct影像去噪模型训练方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括多个低剂量ct影像以及对应的普通剂量ct影像，将预定格式的ct影像进行预处理转化为灰度图像；
将预处理后的所述低剂量ct影像输入至wgan-div生成对抗网络初始模型以获得所述低剂量ct影像至普通剂量ct影像分布的映射，最小化所述wgan-div生成对抗网络初始模型中生成器的损失，最大化所述wgan-div生成对抗网络初始模型中判别器的损失，迭代训练得到低剂量ct影像去噪模型；其中，所述wgan-div生成对抗网络初始模型的生成器网络引入感知损失和l2损失相结合的联合损失。
2.根据权利要求1所述的低剂量ct影像去噪模型训练方法，其特征在于，所述感知损失采用vgg-19模型的输出进行计算，计算式为：
其中，w、h、d分别表示特征空间的宽度、高度和深度；vgg指vgg-19网络，g指生成器网络；所述vgg-19模型包含16层卷积层和3层全连接层。
3.根据权利要求2所述的低剂量ct影像去噪模型训练方法，其特征在于，所述生成器网络引入的混合损失函数计算式为：
lmix＝λ×lvgg+(1-λ)×l2；
其中，λ为平衡lvgg与l2的权重参数，取值为0～1。
4.根据权利要求1所述的低剂量ct影像去噪模型训练方法，其特征在于，所述wgan-div生成对抗网络初始模型的总损失函数的计算式为：
其中，
pr表示真实分布，即ndct图像分布；pz表示噪声分布，即ldct图像分布；pg表示生成器的生成分布pg＝g(pz)，pu表示radon测度，k>0，p>1。
5.根据权利要求1所述的低剂量ct影像去噪模型训练方法，其特征在于，所述生成器网络为卷积神经网络，所述生成器网络包含8个卷积层，前7个隐藏层每层有32个3×3的卷积核，最后一层用一个3×3的卷积核生成特征图并输出，激活函数采用修正线性单元。
6.根据权利要求5所述的低剂量ct影像去噪模型训练方法，其特征在于，所述wgan-div生成对抗网络初始模型的判别器网络包含连续的6个卷积层和两个全连接层，其中，前两个卷积层有64个卷积核，中间两个卷积层有128个卷积核，最后两个卷积层有256个卷积核，每个卷积核为3×3；卷积层之后依次连接一个1024个输出的全连接层和一个只有单个输出的全连接层。
7.根据权利要求1所述的低剂量ct影像去噪模型训练方法，其特征在于，获取训练样本集之后，还包括：
将所述低剂量ct影像以及对应的普通剂量ct影像按照预定长宽尺寸进行裁剪；所述预定格式为dicom格式。
8.一种低剂量ct影像去噪方法，其特征在于，包括：
获取待处理的低剂量ct影像，并按照预定长宽尺寸进行裁剪；
将裁剪后的低剂量ct影像输入至如权利要求1至7中任意一项所述低剂量ct影像去噪模型训练方法中得到的低剂量ct影像去噪模型，进行去噪并输出。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。