1.一种以CT图像为输入的超分辨率MR成像方法，其特征在于，包括以下步骤：(1)构建医疗图像模态转换GAN模型：利用多尺度卷积核并行构建多层网络，利用稠密连接将多尺度卷积核构成的网络进行连接，形成一个集成了多尺度卷积核并行和稠密连接的网络模块，最后通过网络模块级联设计多条件约束GAN模型中的生成器、逆生成器和判别器；

(2)构建MR图像重构GAN模型，包括

1)利用多尺度卷积核并行与残差网络设计GAN网络模块；

2)通过网络模块级联的方式构建GAN模型中的生成器和判别器；

3)融合Canny边缘检测损失的目标函数；

(3)将步骤(1)和步骤(2)构建的模型集成为超分辨率MR成像GAN模型，包括网络结构集成和目标函数集成；

所述网络结构集成包括，集成后超分辨率MR成像GAN模型的生成器是医疗图像模态转换GAN模型和MR图像重构GAN模型的生成器顺序拼接形成的，判别器是医疗图像模态转换GAN模型中的判别器，其不仅要区分重构MR图像的真伪，也要判断重构MR图像是否与输入CT图像存在对应关系；

(4)对步骤(3)集成的模型进行训练；

(5)输入CT图像，经训练好后的模型处理后输出超分辨率MR图像。

2.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：采用生成图像与目标图像间网络隐层特征误差与像素误差相融合的方式构建医疗图像模态转换GAN模型的目标函数，所述目标函数为：其中，d＝{CT,MR,(CT,MR)}，即表示非对应CT‑MR数据中的CT图像或MR图像，或者对应CT‑MR数据中的CT、MR图像， 和 分别表示像素误差和各隐层特征误差的均值，λa是超参数。

3.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：采用Canny边缘检测损失算法提取MR图像的高频信息，通过高斯滤波对模态转换GAN模型生成的MR图像和真实MR图像进行降噪处理，再利用Canny边缘检测算法提取二者的边缘信息，最后使用经边缘检测后的图像差异大小来表示图像的还原程度。

4.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述集成后的目标函数为：其中，LGAN表示GAN模型本身的对抗约束， 表示生成CT图像与真实CT图像间的像素误差和隐层特征误差，Ledge表示Canny边缘检测损失，Lres～pix表示重构MR图像与真实MR图像间的像素误差，Lres～prec表示重构MR图像与真实MR图像间的隐层特征误差，λ1、λ2和λ3是超参数，α取0或1，当采用对应CT‑MR数据训练时，α取0；当采用非对应CT‑MR数据训练时，α取

1。

5.根据权利要求1所述一种以CT图像为输入的超分辨率MR成像方法，其特征在于：所述对集成后的超分辨率MR成像GAN模型进行训练包括：当采用非对应CT‑MR数据训练时，具体操作如下：

1)利用CT图像ICT作为输入，通过集成后的生成器GMR生成MR图像GMR(ICT)；

2)将生成MR图像GMR(ICT)作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；

3)随机地选择生成MR图像GMR(ICT)或者真实MR图像IMR作为判别器DMR的输入以训练其区分真实MR图像与生成MR图像的能力；

当采用对应CT‑MR数据训练时，具体操作如下：

1)利用CT图像ICT作为输入，通过集成后的生成模型和图像重构模型生成MR图像GHR‑MR(GMR(ICT))；

2)将生成MR图像GHR‑MR(GMR(ICT))作为逆生成器GCT的输入，并以原始CT图像ICT作为约束条件，通过逆生成器GCT得到生成CT图像GCT(GMR(ICT))；

3)判别器判别输入的MR图像是否与CT图像存在对应关系，判别器输出其对应关系的概率值；

4)随机地选择生成MR图像GHR‑MR(GMR(ICT))或者真实MR图像IMR作为判别器DHR‑MR的输入以训练其区分真实MR图像与生成MR图像的能力。