1.一种基于小波‑RED卷积神经网络的低剂量CT重建方法，其特征在于，包括以下步骤：(1)、构建训练样本

采集不同患者的标准剂量CT投影数据，再通过反投影重建得到标准剂量CT图像；

对同一标准剂量CT投影数据添加噪声，再通过反投影重建得到相应的低剂量CT图像；

将每一对低剂量CT图像与标准剂量CT图像构成一个训练样本，表示为{X,Y}，其中，X为低剂量CT图像，Y为标准剂量CT图像；

(2)、构建小波‑RED神经网络模型用小波分解模块代替传统RED神经网络模型中的编码器，传统RED神经网络模型中的其余模块保持不变；

其中，小波分解模块与传统RED神经网络模型中的解码器的级数均为N；小波分解模块分解后的第n级小波系数Wn与解码器第N‑n层反卷积层的输出En同尺寸，Wn与En进行通道拼接后，输入至第N‑n+1层反卷积层，输出得到升维的特征图En‑1，然后以此类推，直到第N层反卷积层，最后以W1与E1拼接后的多通道特征图为输入，经反卷积得到单通道特征图E0；

(3)、训练小波‑RED神经网络模型(3.1)、小波‑RED神经网络模型初始化；

(3.2)、随机选取一个训练样本{X,Y}，将X输入至小波‑RED卷积神经网络模型；

先利用小波分解模块对X进行小波分解，得到各级小波系数Wn和对应的低频系数Ln，然后将最后一级小波系数WN连同低频系数LN构成特征图WN′，并输入到解码器，解码器逐层进行反卷积操作，得到单通道特征图E0，最后将E0与X相加得到重建图像Y′；

(3.3)、计算重建图像Y′与真实标准剂量图像Y之间像素误差平方和，记为Σ，判断Σ与预设阈值的大小，如果Σ小于预设阈值，则训练结束，得到训练好的小波‑RED神经网络模型；否则，进入步骤(3.4)；

(3.4)、利用随机梯度下降算法更新小波‑RED神经网络模型中的权重参数，然后再返回步骤(3.2)；

(4)、获取真实的低剂量CT图像，将其输入至训练好的小波‑RED神经网络模型，从而输出重建后的标准剂量CT图像。