1.一種基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s3)中，正弦域圖像處理模型的訓(xùn)練包括以下步驟：
3.根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s5)中，圖像域處理模型的訓(xùn)練包括以下步驟：
4.根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s1)中，等間隔采集對應(yīng)視角的強(qiáng)度數(shù)據(jù)為thz-ct重建中所需滿角度180個(gè)的1/5，即36個(gè)。
5.根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s2)中，對圖像集a再進(jìn)行等間隔提取為thz-ct重建中所需滿角度180個(gè)的1/15、1/20、1/30、1/60，即12、9、6、3個(gè)。
6.根據(jù)權(quán)利要求2所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，正弦域圖像重建網(wǎng)絡(luò)將通道數(shù)分割為正弦域分支和傅里葉正弦域分支；首先將通道數(shù)為1的特征圖經(jīng)過兩次通道擴(kuò)展至128，然后放入正弦域圖像重建網(wǎng)絡(luò)，正弦域分支包括多層卷積層和通道空間注意力機(jī)制，其中卷積層為4個(gè)3×3卷積塊組成；傅里葉正弦域分支采用快速傅里葉變換對特征圖的特征進(jìn)行提取并使用1個(gè)3×3卷積塊組成；隨后將兩個(gè)分支輸出進(jìn)行通道合并且加入殘差連接；最后使用1個(gè)3×3卷積恢復(fù)至輸入形態(tài)；數(shù)據(jù)一致性層將優(yōu)化后的正弦圖與掩模圖像相乘，得到未采樣部分的優(yōu)化圖像，將其與極端稀疏采樣正弦圖像集b中的圖像相加，最終得到正弦域圖像處理模型優(yōu)化后的正弦圖。
7.根據(jù)權(quán)利要求3所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，圖像域處理模型包括編碼器、解碼器、淺層提取模塊、圖像域重建網(wǎng)絡(luò)和高頻重建層；初級編碼器將ct圖下采樣通道數(shù)以2n的形式遞增；高級編碼器上采樣通道則以2n的形式遞減，其中初級編碼器通道數(shù)為64的ct圖通過淺層提取模塊來捕捉不同尺度的特征；圖像域重建網(wǎng)絡(luò)與正弦域圖像重建網(wǎng)絡(luò)類似，分為圖像域分支與圖像傅里葉域分支，圖像域分支采用gru門控卷積單元增強(qiáng)時(shí)序特征的捕捉能力，圖像傅里葉域分支則與正弦域圖像重建網(wǎng)絡(luò)一致；低級解碼器則將圖像域重建網(wǎng)絡(luò)的輸出進(jìn)行上采樣至與高級編碼器保持一致；高級解碼器即高頻重建層引入拉普拉斯金字塔提取圖像中的輪廓和細(xì)節(jié)，融合低頻特征、邊緣特征及高頻特征對ct圖像進(jìn)行高質(zhì)量重建。
8.根據(jù)權(quán)利要求2與權(quán)利要求3所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，訓(xùn)練網(wǎng)絡(luò)的損失函數(shù)包括3個(gè)，分別為如下：正弦域圖像處理模型中的由l1損失構(gòu)成和由多尺度結(jié)構(gòu)相似性損失構(gòu)成，圖像域處理模型中的由均方誤差損失構(gòu)成。l1損失函數(shù)為：