1.一种基于对抗学习的医学图像配准方法，其特征在于，包括：获取医学图像对，所述医学图像对包括浮动图像和固定图像；

构建对抗学习网络模型，所述对抗学习网络模型包括一个生成网络和两个判别器；

对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；

对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；

将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；

根据优化后的形变场对待配准医学图像进行配准；

所述判别器包括真假判别器和相似性判别器，根据真假判别器对形变后的浮动图像和固定图像进行真假判断，根据相似性判别器对形变后的浮动图像和固定图像进行相似度判断；

所述相似性判别器采用孪生网络。

2.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述通过生成网络得到形变场包括：采用4次下采样卷积操作，依次将医学图像对的体素空间大小在每个方向上减少一半；

采用4次上采样卷积操作，将医学图像对的体素空间大小在每个方向上扩大一倍，且与下采样卷积操作过程中相同大小的特征层进行连接操作。

3.如权利要求2所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述下采样卷积操作为：经过一个卷积核为3*3*3，步长为2的卷积操作，利用LeakyReLU函数进行激活操作。

4.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述真假判别器的结构与生成网络结构一致，在上采样过程中，在不同分辨率下进行一次Dense操作，输出不同尺度下的相似值，构建多尺度损失函数。

5.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述相似性判别器的孪生网络包括3组卷积‑池化层、一个全连接操作，最后由sigmoid激活函数输出相似值。

6.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，包含一个生成网络和两个判别器的对抗网络的损失函数为：L＝γLR+(1‑γ)Ls

其中，γ为超参数，取值为0或者1；LR、Ls为生成网络损失函数。

7.一种基于对抗学习的医学图像配准系统，其特征在于，包括：数据获取模块，被配置为获取医学图像对，所述医学图像对包括浮动图像和固定图像；

模型构建模块，被配置为构建对抗学习网络模型，所述对抗学习网络模型包括一个生成网络和两个判别器；

生成模块，被配置为对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；

判别模块，被配置为对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；

优化模块，被配置为将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；

配准模块，被配置为根据优化后的形变场对待配准医学图像进行配准；

所述判别器包括真假判别器和相似性判别器，根据真假判别器对形变后的浮动图像和固定图像进行真假判断，根据相似性判别器对形变后的浮动图像和固定图像进行相似度判断；

所述相似性判别器采用孪生网络。

8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑6任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑6任一项所述的方法。