1.一种无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：包括如下步骤：

步骤S1、构建初始CT图像数据集，并将初始CT图像数据集分为训练集和测试集，训练集和测试集均包含有金属伪影CT图像和无伪影CT图像；

步骤S2、构建无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型包括基于深度字典网络学习的深度稀疏变换网络及深度稀疏变换网络逆变换网络、基于卷积神经网络的阈值网络以及软阈值处理网络；所述基于深度字典网络学习的深度稀疏变换网络包括针对伪影域的深度稀疏变换网络 针对含伪影图像域的深度稀疏变换网络 和针对无伪影图像域的深度稀疏变换网络EI，基于深度字典网络学习的深度稀疏变换网络逆变换网络包括针对图像域深度稀疏逆变换的模型GI、针对伪影域深度稀疏逆变换的模型 和针对深度稀疏逆变换的超分辨率模型GSR，所述针对伪影域的深度稀疏变换网络 针对含伪影图像域的深度稀疏变换网络 和针对无伪影图像域的深度稀疏变换网络EI均由卷积神经网络操作构成，包含Rpad层、Conv层和Relu层，所述针对图像域深度稀疏逆变换的模型GI、针对伪影域深度稀疏逆变换的模型 均由Rpad层,Conv层构成，所述深度稀疏逆变换的超分辨率模型GSR由Rpad层、Conv层和Bicubic层构成，所述基于卷积神经网络的阈值网络由Conv层、Relu层构成，软阈值处理网络由SoftThreshold层构成；

步骤S3、从步骤S1的训练集中随机选择一幅含金属伪影的CT图像和一幅无伪影的CT图像输入无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型中训练，并设定最大训练次数，设计训练无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型所需的损失函数；

步骤S4、基于训练参数和损失函数对无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型进行优化和训练，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；

步骤S5、将步骤S1中的测试集中的CT图像输入到步骤S4中最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，输出金属伪影校正和超分辨率的CT图像。

2.根据权利要求1所述的无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：所述步骤S1中的初始CT图像数据集是从DeepLesion中收集的多张无伪影的CT图像，模拟金属植入物影响的多色投影数据期间的射束硬化效应和泊松噪声，合成含伪影CT图像。

3.根据权利要求2所述的无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：所述步骤S3的具体过程如下：a

将含伪影的CT图像x 输入到针对含伪影图像域的深度稀疏变换网络 和基于卷积神经网络的阈值网络中，然后级联针对含伪影图像域的深度稀疏变换网络 和基于卷积神经网络的阈值网络的输出，共同输入到软阈值处理网络中，得到软阈值处理结果，即含金属伪影CT图像的内容部分cx，如公式(1)所示，将cx输入到针对图像域深度稀疏逆变换的模型GI中，得到金属伪影校正的CT图像 如公式(1),(3)所示；

对于无金属伪影的CT图像y，将无金属伪影的CT图像y输入到针对无伪影图像域的深度稀疏变换网络EI，得到无伪影的CT图像内容部分cy，将输入cy到针对图像域深度稀疏逆变换a的模型GI，期望得到无损失的重建结果 如公式(3)所示；将含伪影的CT图像x输入到针对伪影域的深度稀疏变换网络 和阈值网络中，得到金属伪影部分a，如公式(1)所示，将a与cx级联，共同输入到针对伪影域的深度稀疏逆变换的模型 得到重建的含金属伪影的CT图像 如公式(2)所示；将金属伪影部分a与无伪影的CT图像内容部分cy级联，输入到针对伪影域深度稀疏逆变换的模型 得到重建的含金属伪影的CT图像 如公式(2)所示，将处理后的图像 和无金属伪影的CT图像y分别输入到针对含伪影图像域的深度稀疏变换网络 和基于卷积神经网络的阈值网络中，然后级联针对含伪影图像域的深度稀疏变换网络 和基于卷积神经网络的阈值网络的输出，共同输入到软阈值处理网络中，得到软阈值处理结果，将结果输入到针对深度稀疏逆变换的超分辨率模型GSR，得到不同的联合金属伪影校正和超分辨率的CT图像，如公式(4)所示，上述操作公式化如下：

公式(4)中，xSR为重建的含金属伪影的CT图像 的去伪影超分结果，ySR为无金属伪影的CT图像y的超分结果， 为重建的含金属伪影的CT图像 的去伪影超分结果。

4.根据权利要求3所述的无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：所述步骤S4具体步骤如下：步骤S41、利用绝对值损失函数L1 Loss衡量重建的去伪影超分辨率CT图像和原始的无伪影超分辨率CT图像之间的差异，从而计算CT图像损失，若未达到最大训练次数，则重复步骤S3，更新网络参数；

步骤S42、通过利用对抗的思想，引入两个鉴别器，伪影图像鉴别器 和无伪影图像鉴别器DI，鉴别器和生成器对抗学习，总体对抗损失Ladv包括图像域对抗损失 和伪影域对抗损失 总体对抗损失函数如公式(5)所示：其中，总体深度稀疏变换网络 包含针对含伪影图像域的深度稀疏变

换网络 和针对伪影域的深度稀疏变换网络 EI为针对无伪影图像域的深度稀疏变换网络；

步骤S43、为从根本上鼓励深度稀疏变换和逆变换保留信息，重建损失函数如公式(6)所示：

步骤S44、通过对抗损失得到的去除金属伪影的CT图像 并不是精确的，即 可能不完a

全与x 在结构上对应，所以引入伪影一致性损失来解决解剖学上的精确性问题，伪影一致性损失函数如公式(7)所示：步骤S45、通过绝对值损失函数L1 Loss进行监督优化，旨在重建高分辨率图像，超分辨率重建损失函数如公式(8)所示：其中，yGT代表干净无伪影CT图像，ySR表示输入是无金属伪影的CT图像；

步骤S46、为进一步确保用于重建高分辨率图像的有用信息，超分辨率循环损失函数如公式(9)所示：步骤S47、总体损失参数

其中，λadv是总体对抗损失Ladv的权重，λart是伪影一致性损失Lart的权重，λrec是重建损失Lrec的权重， 是超分辨率循环损失 的权重， 是超分辨率重建损失 的权重；

a

步骤S48、向无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型中输入x ，利用全部损失函数更新网络参数，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，网络输出为金属伪影校正联合超分辨率的CT图像xSR。

5.根据权利要求1所述的无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：所述步骤S5具体步骤如下：步骤S51、首先，准备测试集CT图像数据；

步骤S52、通过加载之前训练并验证得到的最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，使用该模型进行CT图像金属伪影校正和超分辨率图像的生成；

步骤S53、对测试集的CT图像进行预测：将测试集CT图像输入到无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型中，进行金属伪影校正和超分辨率CT图像的预测，无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型对输入的CT图像进行处理，并输出校正后的CT图像以及经过超分辨率处理的CT图像；

步骤S54、输出金属伪影校正和超分辨率CT图像：经过无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型后，获得金属伪影校正后的CT图像，其中金属伪影被有效地减少或消除；同时获得经过超分辨率处理的CT图像，其具有更高的分辨率，细节更加丰富。