1.一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述方法包括以下步骤：(1)读入肺部CT图像对，确定浮动图像和固定图像，并使用仿射变换对其进行粗配准；

(2)将粗配准后的浮动图像和固定图像作为输入，应用自主设计的预处理方法得到若干固定尺寸的浮动图像块和固定图像块；所述预处理方法包括以下步骤：(2‑a)在完全包含于图像空间内部的正常窗口区域中，使用模型耦合的滑动窗口方法生成若干固定尺寸的浮动图像块和固定图像块，其中滑动窗口的步长s与窗口大小w以及神c经网络模型的下采样系数c相关，满足s＝w‑2×2 ，其中w和c取值均为正整数，在正常窗口区域内，该方法每隔s个单位长度生成一个固定尺寸的浮动图像块和固定图像块；

(2‑b)在超出图像空间的非正常窗口区域中，使用反向采样方法生成若干固定尺寸的浮动图像块和固定图像块，反向采样方法通过调整窗口的起始索引以保证修正后的窗口完全包含于原始图像空间内部，该方法为每一个非正常窗口区域生成一个固定尺寸的浮动图像块和固定图像块；

(3)构建频繁连接U型卷积神经网络模型，具体包括以下步骤：

(3‑a)将经过预处理得到的浮动图像块和固定图像块按通道堆叠，构成单一的、具有双通道的中间图像块对作为后续神经网络模型的输入；

(3‑b)使用以由连接层、残差层构成的模块为起点，以由池化层、残差层构成的模块为中间节点或终点的“缩减路径”提取中间图像块对的低维空间信息特征以及高维语义信息特征，并输出具有不同尺寸的特征图；

(3‑c)使用以由包含于“缩减路径”中的池化层、残差层构成的模块为起点，以由上采样层、连接层、瓶颈层、残差层构成的模块为中间节点或终点的“扩张路径”来扩大低层特征图尺寸，同时使用包含于“扩张路径”中各中间节点或终点中的连接层连接位于同一层次的、具有相同尺寸的、包含不同空间或语义信息的特征图，以完成多尺度图像信息融合，最终输出具有与浮动图像块相同尺寸的特征图；

(3‑d)使用卷积层提取步骤(3‑c)的输出特征图中的有用信息，输出对应于中间图像块对的密集位移场块预测，然后使用空间变换层将密集位移场块预测应用于浮动图像块上得到变形图像块预测；

(4)以步骤(3‑d)输出的密集位移场块预测、变形图像块预测为输入，使用自主设计的后处理方法，分别对其进行拼接、缝合，得到具有与原始肺部CT图像相同尺寸的密集位移场和变形图像；所述后处理方法包括以下步骤：(4‑a)对由滑动窗口方法生成的密集位移场块预测以及变形图像块预测进行边缘裁k

剪，为保证输出图像尺寸，忽略全部或部分靠近块边界2 个单位的点的预测值，其中k为模型下采样系数，取值为正整数，将块中剩余点的预测值作为最终密集位移场或变形图像中对应点的预测值；

(4‑b)对由反向采样方法生成的密集位移场块预测以及变形图像块预测进行边缘裁剪k和重叠区域均值化，为保证输出图像尺寸，忽略全部或部分靠近块边界2 个单位的点的预测值，其中k为模型下采样系数，取值为正整数，依据当前点在最终密集位移场或变形图像中的对应点是否已被赋值，将当前点划分为重叠类和非重叠类；针对重叠类，对当前点的预测值与对应点的已有预测值进行均值化操作得到新值，将新值作为最终密集位移场或变形图像中对应点的预测值；针对非重叠类，将当前点的预测值作为最终密集位移场或变形图像中对应点的预测值；

(5)以由数据损失项、正则化项构成的损失函数为优化目标，使用反向传播算法，指导频繁连接U型卷积神经网络训练，输出最终的网络模型；

(6)使用已训练好的频繁连接U型卷积神经网络模型，对肺部CT图像对进行自动、快速、准确的配准。

2.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(3‑b)中，“缩减路径”由四个节点组成：一号节点即起始节点，由连接层、残差层构成，其中残差层由两个卷积层、两个批规范化层、一个泄露修正线性单元层堆叠而成；

二号和三号节点为中间节点，四号节点为终点，它们都由池化层、残差层构成，其中池化层采用均值池化方法，残差层设置与起始节点中的残差层设置相同。

3.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(3‑c)中，频繁连接U型卷积神经网络模型包含若干条“扩张路径”，每条“扩张路径”具有不同起点，不同长度，但具有如下相似结构：起始节点由包含于“缩减路径”中的池化层、残差层构成；

中间节点或终点，由上采样层、连接层、瓶颈层和残差层构成，其中上采样层用于扩大低层特征图尺寸，瓶颈层由三个卷积层顺序堆叠而成，残差层设置与起始节点中的残差层设置相同。

4.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(3‑d)中空间变换层将密集位移场块预测PDDF应用在浮动图像块Pm上得到变形图像块Pd，满足：其中v表示变形图像块Pd上一点，v′表示v在浮动图像块Pm上的对应点，满足v′＝v+PDDF(v)；N(v′)表示以v′为中心、大小为N的邻域窗口，N取值为正整数，v″是该窗口内的一点；i在x、y、z上取值，表示不同的轴分量。

5.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(5)中，数据损失项用局部相关系数LCC表示，用以刻画变形图像Id与固定图像If的相似性，数据损失项Lsim表示如下：其中Ω表示图像空间，点p′是以p为中心、窗宽大小为n的邻域窗口中的内部点，n取值为正整数，映射I′(p)满足

6.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(5)中，正则化项用关于密集位移场DDF的梯度的L2范式表示，用以惩罚不合理变换，正则化项Lreg表示如下：其中Ω表示图像空间，p＝(px,py,pz)为图像中任意点，为梯度算子，满足：

7.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(5)中，损失函数由所述数据损失项Lsim和所述正则化项Lreg组成，损失函数L构建如下：L＝‑Lsim+β*Lreg

其中β为大于0的超参数。

8.如权利要求1所述的一种基于无监督深度学习的肺部CT图像配准方法，其特征在于，所述的步骤(5)中，指导频繁连接U型卷积神经网络模型训练时，以所述损失函数L作为优化目标，采用Adam学习器进行梯度反向传播，用以修正模型参数。