1.一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于，包括如下步骤：步骤1：准备网络所需训练数据集；

步骤2：构建投影数据复原卷积神经网络Rs；

步骤3：构建迭代重建卷积神经网络Re；

步骤4：将步骤2和步骤3构建的投影数据复原卷积神经网络Rs和迭代重建卷积神经网络Re进行级联，构建深度级联卷积神经网络，并通过步骤1得到的数据对网络进行训练，获取整个深度级联卷积神经网络的权重；

步骤5：利用训练好的深度级联卷积神经网络，对临床稀疏角度扫描下的CT投影数据Ps进行重建，得到高质量的CT图像V。

2.如权利要求1所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：步骤1中训练数据集通过如下方式获得：首先，从医院影像数据库中选取全角度扫描下的CT投影数据 并重建出高质量CT图像数据 然后，对投影数据 进行等角度间隔的降采样得到稀疏角度扫描下的CT投影数据 最后，将 和 作为训练投影数据复原卷积神经网络的样本输入和样本标签，将复原网络输出的投影数据和高质量的CT图像数据 作为训练迭代重建的卷积神经网络的样本输入和样本标签。

3.如权利要求2所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：CT图像数据 是由全角度扫描下的CT投影数据 经过TV迭代重建算法得到的。

4.如权利要求1所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：步骤2中构建的投影数据复原卷积神经网络Rs，包括训练数据预处理和网络学习两个部分；训练数据预处理部分包括对稀疏角度投影数据 进行插值和指数Anscombe变换两个操作，将投影数据预处理为光子信号数据网络学习部分包括生成网络、对数逆Anscombe变换、判别网络三个操作，具体步骤为：首先，利用生成网络，将预处理后的光子信号数据 映射为复原后的光子信号数据 然后，进行对数逆Anscombe变换得到复原后的投影数据 最后，通过判别网络来判别复原后的投影数据 与全角度扫描下投影数据 的一致性。

5.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：对稀疏角度投影数据 进行插值的方法为三次样条插值。

6.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：指数Anscombe变换定义为：其中I0为单能X射线的初始强度，P为输入的投影数据。

7.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：生成网络包含三个残差学习基本单元，每个单元含有三个卷积层，前两层采用ReLU激活函数，最后一层无激活函数，以实现将不同层的特征融合。

8.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：生成网络训练的损失函数 为复原后的投影数据 与全角度投影数据 之间的均方误差。

9.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：对数逆Anscombe变换定义为：其中 为经过复原后的光子信号数据。

10.如权利要求4所述的一种基于卷积神经网络的稀疏角度CT成像方法，其特征在于：判别网络包含三个卷积块线性叠加结构和一个激活层，其中，每个卷积块包括三个卷积层，将三维体数据图像块降为二维特征图，二维特征图通过一个包含256个隐藏层连接到输出节点；激活层采用Sigmoid激活函数，输出判别结果。