1.一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：包括如下步骤：

步骤S1、构建用于低剂量CT重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型，所述多尺度自适应的深度稀疏变换网络模型包括多尺度自适应的深度稀疏变换、基于信噪比感知和SAM边缘感知Transformer的阈值生成网络、轻量级聚合模块SAA以及多尺度自适应的深度稀疏逆变换；

构建基于多尺度自适应的深度稀疏变换网络：具体包括如下过程：构建多尺度自适应的深度稀疏变换、构建基于信噪比感知和SAM边缘感知Transformer的阈值生成网络，构建轻量级聚合模块SAA以及构建多尺度自适应的深度稀疏逆变换；所述多尺度自适应的深度稀疏变换是用多层卷积提取输入的含有金属伪影的低剂量CT图像的多尺度信息，并在每个尺度上进行多次稀疏变换，以获得更强大的表示能力，所述基于信噪比感知和SAM边缘感知Transformer的阈值生成网络是以该尺度上的信噪比信息和SAM边缘感知信息为依据和编码后的对应尺度信息为依据获得一个结果作为软阈值算法的阈值；所述轻量级聚合模块SAA是在多尺度自适应的深度稀疏逆变换融合了两个相邻尺度之间的信息以提高网络的效果；所述多尺度自适应的深度稀疏逆变换是多尺度自适应的深度稀疏逆变换的逆过程，从表示中恢复出来原始的信息，最后通过一个残差连接得到最终的金属伪影矫正后的低剂量CT的重建图像；步骤S2、训练基于多尺度自适应的深度稀疏变换网络：步骤S2.1、准备数据集，用收集的无伪影低剂量CT图像进行正投得到的正弦图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；

步骤S2.2、将对含有金属伪影的低剂量CT图像的重建和金属伪影矫正任务看做图像反问题，建立基于多尺度自适应的深度稀疏变换网络模型的优化模型，将金属污染的低剂量CT图像和金属掩膜做线性插值运算，将得到的结果和金属掩膜输入到基于多尺度自适应的深度稀疏变换网络模型中，输出得到增强的重建CT图像；

步骤S2.3、计算基于多尺度自适应的深度稀疏变换网络模型的损失函数：用梯度下降算法进行求解找出损失函数取得最小值时的可学习参数，若未达到基于多尺度自适应的深度稀疏变换网络模型的最大训练次数，则重复步骤S2.2，更新网络参数，训练结束得到基于多尺度自适应的深度稀疏变换网络的最优网络模型；

步骤S3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量CT图像xma和金属掩膜m，基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后CT图像。

2.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：所述步骤S2.2将含有金属伪影的低剂量CT图像依次划分为四个尺度，每个尺度进行三层稀疏变换，以分别提取多层尺度上的丰富信息，并获得更高的表示能力。

3.根据权利要求2所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：所述步骤S2.2对每个尺度稀疏变换后的特征图进行软阈值处理，基于信噪比感知和SAM边缘感知Transformer的阈值生成网络生成软阈值算法所需要的阈值，基于信噪比感知和SAM边缘感知Transformer的阈值生成网络由三个模块组成：二元掩膜提取模块、信噪比感知和SAM边缘感知的多头自注意力SNR and SAM‑Aware MSA模块和全连接的前馈网络FFN模块。

4.根据权利要求3所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：二元掩膜提取模块是指：用简单的去噪算法对输入的含金属伪影的低剂量图像进行去噪，计算初步去噪后的图像和原始图像的信噪比得到信噪比特征图，给信噪比特征图施加一个阈值函数，得到信噪比二元掩膜，其中信噪比较大的区域为1，信噪比较小的区域为0；之后，用预训练好的SAM大模型网络，提取边缘特征，得到SAM二元掩膜，其中边缘区域为1，其他区域为0；将信噪比二元掩膜和SAM二元掩膜做或运算，得到一个既包括信噪比信息也包括边缘信息的二元掩膜U′。

5.根据权利要求2所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：信噪比感知和SAM边缘感知的多头自注意力SNR and SAM‑Aware MSA模块的具体步骤：特征向量f对应的矩阵形式F，将F分成d个特征块Fin＝[F1，...，Fd]，d表示特征块数量，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SNR and SAM‑Aware MSA模块中，输出被表示为：其中MSA(·)代表SNR and SAM‑Aware MSA网络步骤，接下来，将 输入到FFN网络中，输出被表示为：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所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：SNR and SAM‑Aware MSA的具体步骤：既包括信噪比信息也包括边缘信息的二元掩膜U′，假设SNR and SAM‑Aware MSA有H个头，第h个头的自注意力计算被表示为：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    <5>

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所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：所述步骤S2.2中轻量级聚合模块SAA涉及对多尺度产生的不同粒度的特征进行混洗和分组，具体过程为：从每个尺度中选择一个通道来构建一组，然后利用逆瓶颈结构在每组内执行上下特征融合操作，从而增强多尺度特征的多样性，最后，使用逐点卷积对所有特征进行跨组信息聚合，以实现全局信息的交叉融合，SAA的流程表述如下：J＝Winter([G1,G2,...,GM]),

其中J表示所有组的集合，Winter和Wintra是逐点卷积的权重矩阵，j∈{1,2,...,N}且i∈{1,2}，其中N和 分别表示头数和组数，这里， 表示具有深度方向卷积的第j个头， 表示第j个头中的第i个通道。

8.根据权利要求7所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：所述步骤S2.2对经过软阈值处理和SAA后的特征向量依次进行4个尺度的3层深度稀疏逆变换操作，最后通过一个残差连接得到金属伪影校正后的低剂量CT重建图像。

9.根据权利要求1所述的一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：所述步骤S2.3中梯度下降迭代算法中函数梯度的方向指向函数增加最快的方向，在每次迭代中根据当前对应的函数梯度和步长进行变量更新，不断迭代最终到达目标函数的局部最优点，多尺度自适应的深度稀疏变换网络模型的损失函数如下：其中xgt是干净的CT图像，x是重建的CT图像。