patch2self:实现DWI（Diffusion Weighted Imaging）的去噪

patch2self是什么？（对于来自dipy.denoise.patch2self 库的 patch2self.py文件个人理解如下）

1.主要输入是4维的DWI data和bvals文件

bvals 会因为一个阈值而被分为两部分，而4维的DWI 数据也会根据这个阈值划分为两部分，目的是分别用于去噪操作，原因是低于默认阈值50的MRI图像基本上噪声很少，不需要去噪。

2.分为两个部分的DWI 向量会被两个同样形状维度的向量分别存储

3.这两个分开的含噪DWI向量会经过一样的去噪过程：

第一步：划分3维局部块，放入的函数是_extract_3d_patches

第二步：根据每一个来自于第4维的volume，进行对应的3维局部块的去噪，放入的函数是

_vol_denoise

在这个函数中使用的是线性回归模型训练和预测，模型的输入是钢材分好的3维局部块，但是每一个3维局部块又会经过二维的简单变换，cur_x是一个二维的，y也是一个二维的。

自监督的巧妙就在于，cur_x和y都来自于这个train向量，如下图：

4.经过去噪之后，这两个向量会被存储到已经准备好的两个未初始化的向量中，整合为4维的DWI去噪后的数据，返回，至此方法结束！