1.一种基于进化GAN的心脏磁共振图像数据增强方法，其特征在于，所述数据增强方法的具体步骤包括：步骤1：采集心脏磁共振图像数据集，所述数据集包括良性心脏磁共振图像和恶性心脏磁共振图像；

步骤2：对所述数据集进行预处理，并将所述数据集分为训练集和测试集；

步骤3：对预处理后的所述训练集进行仿射变换得到数据增强数据集；

步骤4：将所述数据增强数据集输入构建的进化GAN模型进行训练，在训练过程中融合了进化算法与线性插值的思想，具体包括：步骤41：采集混合高斯分布中的噪声z作为生成器的初始输入，生成器将输入的噪声合成一张图像；

步骤42：在生成器训练阶段，固定判别器的参数，通过突变、评价和选择三个阶段来训练生成器，训练步骤具体包括：步骤421：突变，在生成器训练阶段，固定判别器参数，对当前父代生成器进行三次突变操作得到多个子代生成器；

步骤422：评价，通过适应性函数来计算当前父代判别器下的各子代生成器的适应性分数，在当前父代判别器下，使用适应性函数对子代生成器生成性能进行评估，并量化为相应的适应性分数：F＝Fq+γFd

其中，Fq用于衡量生成样本的质量，Fd用于衡量生成样本的多样性，F表示适应性分数，γ表示超参数；

步骤423：选择，通过排序选择适应性分数最高的子代生成器作为下一次迭代的父代生成器；

步骤43：在判别器训练阶段，固定生成器的参数，将生成器合成的图像与所述数据增强数据集中的图像x通过线性插值方法合成一张图像作为判别器的输入，得到插值新样本与新标签，判别器损失为：通过计算判别器的平均损失，更新判别器参数；通过原始样本构建了虚拟的训练样本，结合特征向量的线性插值合成新的训练样本并生成相关的线性插值标签来拓展整个训练集的分布，其中，λ∈Beta[α,α]是权重向量，α∈(0,+∞)是控制特征‑目标向量之间插值强度的超参数；

步骤44：生成器和判别器分阶段对抗训练，同时，使用改良的残差块结构和自注意力模块对生成器和判别器进行训练，不断重复步骤42至步骤43直到达到训练次数，训练结束；

步骤5：使用训练完成后的进化GAN模型合成新的图像，将合成图像加入所述训练集中，得到第二数据增强数据集；

步骤6：使用所述第二数据增强数据集训练分类器，以验证数据增强的效果，其中，所述合成图像用于训练第二分类器并得到第二分类结果，所述训练集用于训练第一分类器并得到第一分类结果；

步骤7：用所述测试集对所述第一分类器和第二分类器进行测试。