在现代医学诊断过程中,医学图像辅助诊断具有非常重要的作用。放射科医生通过非侵入式医学影像方法,来获得患者机体内部分组织的影像图像,不仅方便易得,而且可以尽量降低诊断过程中对患者带来的伤害。现有的医学图像,主要分为核磁共振成像(MRI),X光片图,以及计算机断层扫描成像(CT)。但是在医学图像获取过程中,不仅会受到各种类型和程度的噪声影响,而且还会存在条状伪影,这都会在一定程度上干扰医生对疾病的诊断、分析和治疗。因此,对医学图像进行去噪,并尽可能提升去噪准确性就具有十分重要的科学研究意义和临床使用价值。本文主要研究了深度卷积神经网络(CNN)在医学图像去噪邻域的应用,主要研究工作和成果如下:(1)总结了国内外在医学图像去噪问题上的研究现状,并且针对目前主流的几种去噪算法进行深入分析。其中传统的去噪算法包括非局部均值(NLM)、非局部全变分正则化算法(NLTV)、以及三维块匹配滤波算法(BM3D)。基于机器学习的去噪算法包括降噪自编码器(DAE)、多层感知器的图像去噪模型(MLP)、使用残差学习方法的去噪模型(Dn CNN)。分析了这些去噪方法的优缺点,以及在医学图像去噪问题上存在的不足。(2)针对深度卷积神经网络模型进行着重研究,分析其在医学图像去噪问题上的优势性。通过使用批量正则化、残差学习、多尺度并行提取噪声等研究方法,进一步优化现有的深度卷积神经网络模型。针对X光片图像噪声分布特点提出X-Re CNN去噪模型,同时针对CT图像噪声分布情况提出CT-Re CNN去噪模型。实验结果表明,模型X-Re CNN和CT-Re CNN不论是在主观视觉效果上,还是在客观评价指标上都要比上述其他算法有所提高。不仅能够有效地去除医学图像中的噪声,并且还能更好地保留医学图像中的纹理细节。(3)为了进一步降低模型复杂度,缩短模型训练和去噪所需时间,本文还分别使用深度可分离卷积,以及空洞卷积对模型进行轻量化操作。实验结果表明,轻量化后的模型不仅可以出色地完成去噪任务,而且所需去噪时间也有所缩短。