1.一种基于自监督学习的高精度CT金属伪影校正方法，包括以下步骤：

S1构建自监督金属伪影校正网络模型，即耦合模型‑数据双驱动网络模型，所述网络模型包括基于Transformer的数据驱动正弦域子网络SS‑Net和基于紧标架的模型驱动的图像域子网络IM‑Net，IM‑Net中包含一个用于耦合两个子网络的先验伪影注意力阈值生成模块PATG；

S2训练网络：

S2.1准备数据集，用收集的无伪影正弦图s合成金属污染的正弦图sma，对其做滤波反投影操作得到无伪影CT图像x和金属污染CT图像xma，将CT图像和正弦图裁剪为设定的尺寸，并将其分为训练集和测试集，设定最大训练次数，初始化训练参数；

S2.2将金属污染的正弦图sma和金属迹trm做线性插值运算得到sLI，将sLI和金属迹trm输入到基于Transformer的数据驱动正弦域子网络，输出得到增强的正弦图sout，对sout做滤波反投影操作得到重建CT图像xout；

S2.3计算正弦域子网络损失，若未达到正弦域网络最大训练次数，则重复步骤S2.2，更新网络参数，训练结束得到正弦域网络的最优网络模型；

S2.4向训练好的正弦域子网络模型中输入sma和trm，网络输出xout，并将xout与金属伪影污染CT图像xma逐元素减得到正弦域金属伪影信息es，同时利用线性插值和光束硬化方法得到校正后的图像，从两者的校正图像中提取金属伪影eLI和eBHC，将金属伪影es、eBHC、eLI、xma及非金属掩模m输入到基于紧标架的模型驱动的图像域子网络IM‑Net中，输出得到伪影减少的CT图像；

S2.5计算图像域损失，若未达到最大训练次数，则重复步骤2.4，更新网络参数；

S3向构建好的图像域最优网络模型中输入es、eBHC、eLI、xma和m，网络输出为金属伪影校正后CT图像。

2.根据权利要求1所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于，所述步骤(1)构建自监督学习金属校正网络：具体包括如下过程：构建模型驱动网络、数据驱动网络和耦合机制；所述模型驱动网络即基于紧标架的模型驱动图像域子网络：建立金属伪影分解模型，基于紧标架表示模型构建紧标架学习模型，利用交替方向乘子法将该问题转化为易于求解的子问题，并采用近端梯度技术进行问题求解，然后，将迭代算法的每个运算符转换为相应的网络模块，展开成深度神经网络架构来构建模型驱动金属伪影校正网络；所述数据驱动网络即基于Transformer的数据驱动正弦域子网络：在基于Transformer的数据驱动正弦域网络中提出了一个迹感知的Transformer正弦域网络，利用非金属迹去指导Transformer中的多头自注意力机制，从而保证网络学习中不会利用正弦图中金属污染严重的区域；所述耦合机制：由一个被称为先验伪影注意力阈值生成模块PATG实现，其中的伪影注意力模块通过利用输入的金属伪影之间的相互关系，自适应的重新为每个金属伪影的权重重新赋值。

3.根据权利要求2所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：基于Transformer的数据驱动正弦域子网络SS‑Net由一个基于Transformer的迹感知的网络Tr‑AwareNet和两个具有相同U‑Net架构的正弦图细化网络SinoNet组成，两个相同的SinoNet构成一个双分支结构；正弦域子网络的输入是合成的金属污染正弦图sma和金属迹trm，给定金属污染正弦图sma，对其进行线性插值得到sLI，然后输入到Tr‑AwareNet中，在Tr‑AwareNet的输入和输出之间设置了残差连接，得到输出结果sprior，将sprior分别与两个不同的金属迹通道拼接，输入到由SinoNet构成的两个不同的分支中，分别得到两个细化的正弦图，之后分别对它们采用FBP得到重建CT图像xrec1和xrec2。

4.根据权利要求3所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：Tr‑AwareNet由三部分组成：编码器、双分支模块和解码器，输入正弦图sLI经过编码器后得到中间特征fm，fm被分别输入到远程分支和短程分支中得到输出fl和fs，将fl和fs进行融合得到ffuse，即取远程分支的金属迹部分，取短程分支的非金属迹部分，然后，将ffuse送入到解码器中得到最终的输出flast，残差连接可以表示为sprior＝flast+sLI，得到最终的输出结果sprior。

5.根据权利要求4所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：远程分支是Tr‑AwareNet的核心，主要由两个模块组成：迹感知的多头自注意力Tr‑Aware MSA模块和全连接的前馈网络FFN，特征向量fm对应的矩阵形式 将F分成d个特征块 这d个特征块可以覆盖整个特征图F，把这d个特征块展成一维特征Fin＝[F1,...,Fd]，并将其按照标准多头自注意力方法求得Q、K和V，此过程可以表示为：其中LN(·)代表层归一化， 和 代表Transformer中第h个头的投影矩阵，将Q、K和V输入到Tr‑Aware MSA模块中，输出可以被表示为：

其中MSA(·)代表Tr‑Aware MSA网络步骤，接下来，将 输入到FFN网络中，输出可以被表示为：其中输出Fout＝[F1′,...,F′d]能被融合成特征矩阵Fl，其对应的向量形式为fl。

6.根据权利要求5所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：Tr‑Aware MSA的具体步骤：首先对金属迹的trm的矩阵形式Trm操作求得非金属迹，即Trn＝1‑Trm，为了与特征F的大小一致，对Trn调整大小并归一化，得到Tr′n，其对应的向量形式为tr′n，然后，同样对Tr′n分成d个块，计算每个块中元素的平均值并把这些堆叠成一个向量 再对u做阈值处理，如下：其中ρ是阈值，接下来，堆叠d个u得到矩阵U′，假设Tr‑Aware MSA有H个头，第h个头的自注意力计算可以被表示为：其中 被用来归一化，σ是一个很小的负值，全部的头输出被通道拼接，并且被线性投影来产生最终的输出，这个过程能被表示为：A

MultiHead(Q′,K′,V′)＝Concat(head1,...,headh)Z (6)A

其中headh＝Attention(Qh,Kh,Vh)，Z是投影矩阵，Q′、K′和V′分别是它们对应所有头的通道拼接。

7.根据权利要求1所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：优化基于Transformer的数据驱动正弦域子网络，引入损失函数，包括正弦域损失、重建损失和FBP一致性损失，具体形式如下：其中 是正弦域损失函数， 和 是重建损失， 是FBP一致性损失，sprior代表Tr‑AwareNet网络的输出， 代表FBP操作，xrec1和xrec2分别是两个分支对应的FBP重建结果，γ1和γ2是平衡不同损失项的权重参数。

8.根据权利要求2所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于：基于紧标架的模型驱动图像域子网络IM‑Net的构建：一个金属污染的CT图像可以被划分为两部分：非金属部分和金属部分，目标是保留非金属部分，同时去除金属部分，金属伪影分解模型可以被构建如下：m⊙y＝m⊙x+m⊙e (12)

其中m是非金属掩模、x代表无金属伪影CT图像、e代表金属伪影、⊙代表逐元素相乘；为了从y中估计x和e，通过使用正则化器来利用x和e的先验知识构建优化模型；针对金属伪影部分，利用紧标架 来刻画金属伪影的结构信息，优化模型可以被表示为：其中第一项是用来提升分解准确性的数据保真项、第二项和第三项是正则化项，为了求解该优化模型，利用近端梯度算子来交替更新x和e，在第(t+1)次迭代，x和e的更新能被表示如下：(t)

在第(t+1)次迭代，更新CT图像：给定金属伪影减少的CT图像x 和估计的金属伪影e(t)，通过计算式(13)中定义的优化模型的二次逼近，x能被迭代更新如下：

其中 η1是步长，x的更新规则能被表示为：

其中 是与先验项R1(·)有关的近端算子，

(t+1) (t)

在第(t+1)次迭代，更新金属伪影：给定x 和e ，通过计算式(13)中定义的优化模型的二次逼近，e能被迭代更新：其中 η2是步长，相似于x，e的更新规则：

因为W满足紧性质 上式可以被重写为：

(t+1) T (t+0.5)

e ＝Wsoft(We ,ε) (18)

(t+0.5)

其中soft(μ,ε)＝sign(μ)max(|μ|‑ε,0)是一个软阈值函数，相似于图像的更新，e(t) (t+1)＝(1‑η2m)⊙e +η2m⊙(y‑x )。在本发明中，利用一个提出的先验伪影注意力阈值生成模块产生阈值ε。

9.根据权利要求2所述的基于自监督学习的高精度CT金属伪影校正方法，其特征在于：所述基于紧标架的模型驱动图像域子网络的网络结构设计包括X‑Net和E‑Net，所述X‑Net：(t) (t) (t+0.5)

在第(t+1)次阶段，利用x 和e 得到x ，然后送入 网络中来实现

(t+1) (t+0.5)

算子，得到输出x ；网络 是残差卷积结构；所述E‑Net：相似于x，e 被输(t+1)

入 中，用以实现 算子，得到输出e ， 是一个紧标架过

程；所述PATG位于E‑Net中，由注意力机制和卷积层组成，该模块的输入是一个四通道的金(t+0.5)属伪影，其中包含网络迭代产生的e 、线性插值法提取的伪影eLI、光束硬化校正法提取的伪影eBHC和正弦域网络提取的伪影es。

10.根据权利要求4所述的基于自监督学习的高精度CT金属伪影校正方法，其特征在于：训练基于紧标架的模型驱动的图像域子网络IM‑Net的损失函数如下：其中x是s的FBP操作的输出结果，w1、w2、w3和w4是平衡不同损失项的权重参数。