1.一种基于插值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)、构建训练数据集

(1.1)、采集不同患者的标准剂量CT图像，对每张图像进行Radon变换，得到标准剂量的投影正弦图；

(1.2)、将投影正弦图量化至(0，1)，然后提取其奇数列，得到模拟的低剂量投影正弦图，剩余的偶数列作为期望插值图；

(1.3)、将低剂量投影正弦图与期望插值图用大小为M×N的滑窗，按纵向步长M-h，横向步长N-h进行滑动分块，滑动分块后得到若干组M×N的低剂量投影正弦图块与期望插值图像块，其中h为偶数，h＝L1+L2+L3-3，L1，L2，L3为插值卷积神经网络模型中各层卷积核的尺寸；

(1.4)、对每一组M×N的期望插值图像块进行边界裁剪，截取中心为(M-h)×(N-h)的区域，得到样本期望插值图像块；

(1.5)、将每一组低剂量投影正弦图记为Xi，每一组样本期望插值图块记为Yi，然后将其构成训练数据集中的一个样本记为{Xi,Yi}，下标i表示样本组数；

(2)、构建插值卷积神经网络模型

插值卷积神经网络模型由三层卷积层组成，其中，第一层采用c1个L1×L1卷积核，滤波步长为1，第二层采用c2个L2×L2×c1的卷积核，步长为1，第三层采用1个L3×L3×c2的卷积核，步长为1，每层卷积后取有效区并采用Sigmoid函数激活；

(3)、训练插值卷积神经网络模型

从训练数据集中选取一组训练样本{Xi,Yi}，将Xi输入至插值卷积神经网络模型，经第一层卷积后得到c1张(M-L1+1)×(N-L1+1)的特征图，再经过第二层卷积后得到c2张(M-L1-L2+2)×(N-L1-L2+2)的特征图，最后经过第三层卷积后输出一张(M-h)×(N-h)的预测插值图然后计算预测插值图与样本期望插值图Yi之间的像素误差的平方和，以像素误差的平方和为损失值，利用梯度下降算法对插值卷积神经网络进行权重更新；再选取下一组训练样本重复上述步骤，直至遍历所有训练样本完成一轮训练；判断所有训练样本的累积像素误差平方和是否小于预设阈值，如果小于，则训练结束，得到训练完成的插值卷积神经网络模型；否则，进行下一轮训练，直到累积像素误差的平方和小于预设阈值时，训练结束；

(4)、利用插值卷积神经网络重建低剂量CT图像

(4.1)、实时CT扫描时，仅在标准剂量CT的奇数投影角度进行采样，获得低剂量投影正弦图Po，设其大小为M1×N1；

(4.2)、对低剂量投影正弦图Po进行列扩展：复制原图Po的前1～(h/2)列到Po的末端，扩展出第(N1+1)～(N1+h/2)列，再复制原图Po最后的(N1-h/2+1)～N1列到Po的前端，扩展出第1～(h/2)列，从而得到列扩展后的低剂量投影正弦图P1；

(4.3)、对低剂量投影正弦图P1进行行扩展，其中上下各扩展(h/2)行，扩展行的元素值均用零填充，最终得到(M1+h)×(N1+h)的扩展正弦图Pg；

(4.4)、将扩展正弦图Pg输入至训练好的插值卷积神经网络，得到偶数投影角度的预测正弦图Pe，其大小为M1×N1；

(4.5)、以低剂量投影正弦图Po各列为奇数行，预测正弦图Pe各列依次作为偶数行，可以组合得到M1×(2N1)的标准剂量投影正弦图P；

(4.6)、将标准剂量投影正弦图P量化至原图像空间，并进行反Radon变换，得到重建的CT图像。