1.一种基于深度学习算法的延迟CT图像生成方法，其特征在于，包括以下步骤：S1，采集患者的T2PET、T1PET和T1CT图像；

其中，T2PET图像指延迟PET扫描生成的图像，T1PET图像指第一次PET扫描生成的图像，T1CT图像指第一次CT扫描生成的图像；

S2，将采集的T2PET、T1PET和T1CT图像输入多分辨率配准卷积神经网络MRR‑CNN后，输出包含大、中、小形变量的三个形变场；

S3，将步骤S2中输出的包含大、中、小形变量的三个形变场，融合为一个形变场；

S4，将所述的形变场和输入的T1CT图像输入到空间转换网络STN中以生成T2CT图像；

其中，T2CT图像指延迟CT扫描生成的图像；

所述多分辨率配准卷积神经网络MRR‑CNN包括三个并行连接的卷积神经网络CNN 1、CNN 2和CNN 3；所述CNN 1、CNN 2和CNN 3分别被输入低分辨率图像组、中分辨率图像组和原始分辨率图像组；

步骤S2包括如下步骤：

S21，采用卷积神经网络CNN 1，对输入的图像T1PET、T2PET和T1CT进行两次下采样，使输入的图像的分辨率均变为原来的1/4，并输出包含大形变量的形变场并上采样到输入图像的原始分辨率；

S22，采用卷积神经网络CNN 2，对输入的图像T1PET、T2PET和T1CT进行一次下采样，使输入的图像的分辨率均变为原来的1/2，并输出包含中等形变量的形变场并上采样到输入图像的原始分辨率；

S23，采用卷积神经网络CNN 3，输入原始图像T1PET、T2PET和T1CT，并输出包含小形变量的形变场。

2.根据权利要求1所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，所述卷积神经网络CNN 1、CNN 2和CNN 3均包括编码器、解码器和若干个跳跃连接；所述编码器用于提取输入之间的特征，并在下采样过程中逐步将所述特征减半。

3.根据权利要求2所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，所述编码器包括若干个堆叠的卷积层；每个卷积层的内核大小均为3×3×3，步幅均为2。

4.根据权利要求2所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，所述解码器包括若干个反卷积层；每个反卷积层的内核大小均为3×3×3，步幅均为1。

5.根据权利要求1所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，所述的形变场用φt表示，具体为：(0) t

其中，φ ＝Id是恒等变换，v 表示时间t∈[0,1]处的速度场v；使用时间步长T＝7对单(1) (1)位时间内的速度场v进行积分，以生成最终的φ ，根据公式，φ ＝exp(v)。

6.根据权利要求3或4所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，每个卷积层或反卷积层后均跟有归一化和激活函数。

7.根据权利要求1所述的一种基于深度学习算法的延迟CT图像生成方法，其特征在于，所述多分辨率配准卷积神经网络MRR‑CNN包含三个卷积神经网络CNN，但不限于三个卷积神经网络CNN。