1.一种ct系统中自动生成扫描区域的方法，其特征在于，所述方法通过加载在ct系统计算机系统中的控制程序实现，所述方法包括依次执行的步骤(1)至(5)：
(1)扫描定位相，得到定位相图像；
(2)构建样本：收集病人躺在ct病床上的图像至所需数量，将收集到的图像分别与定位相图像进行配准，将配准后的图像裁剪为统一大小，并在图像上框选出不同人体部位作为扫描区域，以及为每个扫描区域添加类别标记，得到样本图像；
(3)搭建基于卷积神经网络的目标检测模型或者图像分割模型；用构建好的样本图像训练搭建好的模型，训练好的模型能够对输入的图像进行扫描区域自动分割，输出所有待选的扫描区域及扫描区域的类别；
(4)在进行ct扫描前，实时采集病人躺在ct病床上的图像，将采集的图像与定位相图像进行配准并裁减至指定大小，然后输入训练好的基于卷积神经网络的目标检测模型或者图像分割模型，得到所有待选的扫描区域；
(5)扫描人员选取所需扫描区域，所述计算机系统根据所选扫描区域控制ct系统对指定区域进行扫描。
2.根据权利要求1所述的一种ct系统中自动生成扫描区域的方法，其特征在于，所述基于卷积神经网络的目标检测模型为rcnn结构，包括候选区域提取网络、cnn特征提取器、分类器和回归器；所述候选区域提取网络根据输入的图像生成候选框并调整候选框的尺寸至指定大小，cnn特征提取器提取每个候选框的特征向量，提取出的特征向量送入分类器分类，最后通过回归器对每一类检测目标进行回归，修正候选框的位置；
所述分类器的损失函数为：
losscls＝ytlog(yp)+(1-yt)log(1-yp)
所述回归器的损失函数为：
其中，yt为真实标记数据，yp为预测数据。
3.根据权利要求1所述的一种ct系统中自动生成扫描区域的方法，其特征在于，所述基于卷积神经网络的图像分割模型为unet网络，包括：输入模块、特征提取模块、上采样模块和输出模块，其中，输入模块输入图像数据，特征提取模块提取输入图像的特征，上采样模块将提取出的特征重建到输出尺寸，最后通过输出模块输出所有待选的扫描区域及扫描区域的类别，实现图像分割；
所述unet网络的损失函数为：
loss＝∑(yp-yt)2
其中，yt为真实标记数据，yp为预测数据。
4.根据权利要求1所述的一种ct系统中自动生成扫描区域的方法，其特征在于，所述图像配准的方法包括：基于灰度和模板的图像配准方法、基于特征的图像配准方法、基于域变换的图像配准方法。