1.一种基于深度学习的CT投影几何校正方法，其特征在于，包含以下步骤：步骤A1：通过CT扫描获得CT原始投影数据；

步骤A2：将CT原始投影数据经过神经网络后输出几何偏移向量；其中，所述神经网络为回归类卷积神经网络，所述回归类卷积神经网络由卷积模块与全连接模块组成；所述神经网络通过训练大量数据提取正弦图特征，目标函数输入为完善或不完善的正弦图，输出为几何偏移向量，表示各扫描角度下的投影偏移；

网络训练使用了一种用于神经网络训练的数据扩增方法；所述数据扩增方法包含以下步骤：步骤B1：利用随机数构造生成各种各样的偏移曲线；

步骤B2：对不同部位的CT图像进行模拟投影，得到投影图；

步骤B3：将步骤B2得到的投影图与步骤B1得到的偏移曲线结合，构造存在偏移的投影；

其中构造的生成数据为CT图像经radon变换处理得到无偏移的投影，加入由如下公式随机生成的偏移量，构造存在偏移的投影，该偏移投影为输入数据，即样本，而偏移量则为相应的标签：0

其中a 及am均为0到5内的随机数，θ为0到360的随机数，x是扫描角度值，noise是噪声值，f(x)为偏移量；

步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像。

2.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，所述卷积模块由数个卷积层、数个激活函数、数个最大池化层组成；

所述全连接模块由数个全连接层、数个激活函数组成。

3.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A1中的所述CT原始投影数据各扫描角度可存在不一致的偏移或不存在偏移。

4.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A2中的所述回归类卷积神经网络在进行网络训练过程中可加入丢弃法和批量归一化层。

5.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤B1中所述偏移曲线的结合由不同幅度和周期的正弦曲线组合，以模拟CT抖动的物理过程。

6.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤B2中所述随机曲线的生成包含了加入随机噪声或不加入随机噪声的情况，以扩大模型的适用范围。

7.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A3中的所述几何偏移向量为CT扫描各角度下的几何偏移量；

所述CT原始投影数据的修正并重建使用解析重建算法或迭代重建算法进行修正并重建；

使用解析重建算法时，将CT扫描获得的所述CT原始投影数据根据对应角度下的几何偏移量进行移动组成修正后的CT投影数据，再进行重建；

使用迭代重建算法时，将几何偏移向量带入算法中用于获得正确的系统矩阵进行重建。