1.一种基于深度学习网络的2D/3D脊椎CT层级配准方法，其特征在于，包括以下步骤：(1)、获取X射线图像作为训练及配准过程的术中2D参考图像，获取医学CT序列作为训练过程的术前3D图像；

(2)、构建训练图像集；

(2.1)、将术前3D图像输入至刚体变换模型，通过随机变换六维的刚体变换参数T＝(tx,ty,tz,rx,ry,rz)，生成一组三维的图像序列，然后再输入至X射线成像计算模型进行投影，从而生成DRR图像序列；其中，tx表示在X轴上的平移参数，ty表示在Y轴上的平移参数，tz表示在Z轴上的平移参数，rx表示沿X轴的旋转参数，ry表示沿Y轴的旋转参数，rz表示沿Z轴的旋转参数；

(2.2)、对DRR图像序列进行两两组合，一张作为参考图像，另一张作为浮动图像，两张图像构成一个训练样本，从而组成训练图像集；

(3)、搭建深度学习网络模型并训练；

搭建8层CNN模型作为深度学习网络模型，然后将训练图像集中的参考图像与浮动图像依次输入，用于模型训练，当模型收敛时能够准确输出浮动图像对应的形变参数；

(4)、利用深度学习网络模型进行粗配准；

按照步骤(2.1)所述方法，利用术前待配准3D图像生成一幅DRR图像，并作为浮动图像，再将浮动图像与术中2D参考图像一起输入至训练完成的深度学习网络模型，从而输出术前待配准3D图像的粗配准变换参数；

(5)、通过Adam参数优化算法进行单块椎骨的精配准；

(5.1)、利用Grow Cut区域生长算法对术前待配准3D图像进行椎骨分割，使分割的每幅子图中仅包含一块椎骨，从而得到多幅单块椎骨图；

(5.2)、将粗配准变换参数作为每幅单块椎骨图的初始配准参数，然后将单块椎骨经初始配准参数的刚体变换后，再通过X射线成像计算模型进行投影，生成单块椎骨图的DRR图像，作为浮动图像；

(5.3)、计算单块椎骨的浮动图像与术中2D参考图像之间的Dice Loss值；

其中，|X|表示浮动图像的像素矩阵X中所有元素之和，|Y|表示参考图像的像素矩阵Y中所有元素之和，|X∩Y|表示像素矩阵X与像素矩阵Y对应元素点乘后再求所有元素之和；

(5.4)、判断步骤(5.3)中计算得到的Dice Loss值是否小于预设阈值，如果小于，则迭代停止，完成单块椎骨图的精配准；否则，设置Adam参数优化算法的目标函数为Dice Loss，参数向量设置为当前精配准参数，然后重复步骤(5.2)～(5.4)，通过Adam参数优化算法搜寻Dice Loss值最小时的最优精配准参数，从而完成该单块椎骨图的精配准；

(5.5)、判断所有单块椎骨图是否都完成了精配准，如果未完成，则重复步骤(5.2)～(5.4)，直到完成所有单块椎骨图的精配准；否则，进入步骤(5.6)；

(5.6)、将所有的单块椎骨图根据对应优化后的精配准参数进行空间变换，再按照分割前的位置进行组合，从而实现脊椎CT层级配准。

2.根据权利要求1所述的基于深度学习网络的2D/3D脊椎CT层级配准方法，其特征在于，所述深度学习网络模型的具体结构为：第一层输入层，输入浮动图像和参考图像；

第二层是第一卷积层，卷积核大小为5*5*20，不填充，步长为1，该层输出矩阵大小为

152*296*20；

第三层是第一池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为76*148*20；

第四层是第二卷积层，卷积核尺寸为5*5*20，不填充，步长为1，该层输出矩阵大小为

72*144*20；

第五层是第二池化层，采用最大值池化，池化窗口尺寸为2*2，步长为2，该层输出矩阵为36*72*20；

第六层是全连接层，有250个ReLU激活函数单元，输出结点个数为250个；

第七层为第二个全链接层，有6个ReLU激活函数单元，输出结点个数为6个；

第八层为输出层，输出6个参数，即(tx,ty,tz,rx,ry,rz)。