1.一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，包括如下步骤：S1、获取多模态的医学图像并对其标准化预处理；

S2、构建深度学习神经网络，包括生成器的构建和鉴别器的构建；

S3、随机选取训练样本集，并利用训练样本集对步骤S2构建的深度学习神经网络进行对抗训练；

S4、将待配准医学图像对输入训练完成的深度学习神经网络，输出配准后的图像对。

2.根据权利要求1所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于：所述S1中标准化预处理具体包括：S11、统一多模态医学图像的坐标轴方向和空间分辨率，所述多模态医学图像包括磁共振成像MRI、计算机断层扫描成像CT、超声成像US、正电子发射断层扫描成像PET；

S12、去除医学图像图像中的无效背景区域，并选取图像中的多层有效数据作为训练样本和验证样本。

3.根据权利要求1所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于：所述S2中生成器包括形变配准网络和两个空间变换器，其中形变配准网络采用U‑net结构，通过级联编码器层获得的特征与对应解码器层获得的特征，将高低层特征融合在一起。

4.根据权利要求3所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于：形变配准网络的输入为设定大小的固定图像和浮动图像组成的图像对，输出为图像对之间的形变场，其卷积层的卷积核大小为3*3、步长为2，其中每个卷积层滞后添加归一化的batch normalization和Leaky ReLU激活函数。

5.根据权利要求4所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述鉴别器的结构为7个大小为4*4、步长为2、内边距为2的卷积层，且每个卷积层均连接用于归一化的LayerNorm和relu激活函数；所述鉴别器的输入为固定图像和配准图像，输出为图像对的Wassertein距离。

6.根据权利要求5所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述S3训练样本集中的正负样本的选取方式具体包括：在单模态情况下，

正样本：随机选取一个包括固定图像和浮动图像的图像对，其中，固定图像和浮动图像来自于同一模态下的影像学图像；

并为选取的固定图像添加噪声计算生成配准图像，将得到的配准图像和其对应的固定图像组成正样本，其中配准图像的计算方式为：；

其中， 为正样本配准图像， 为浮动图像， 为固定图像，为噪声因子；

负样本：固定图像和深度学习训练过程中得到的输出图像作为负样本，其中，所述深度学习的损失函数表示为：

；

其中，是图像中的像素， 是生产的形变场， 是经过形变场生成的配准图像，由生成器产生的样本分布，  是固定图像和形变场生成的‑1 ‑1

配准图像之间的Wasserstein距离， 是反向配准图像 和浮动图像 之间的相似性度量，MSE是相似性度量， 是位移的梯度，其中，是正则化参数， 表示图像中所有的像素点， 表示浮动图像中的像素和固定图像中的像素对齐到相同位置的位移， ；

对于多模态下：

正样本：采用已配准好的图像对，其中对应的固定图像和浮动图像分别来自不同模态的影像学图像；

负样本：与单模态情况下的负样本选取相同。

7.根据权利要求6所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述S3中深度学习神经网络进行对抗训练的具体策略为：对鉴别器进行两次训练后对生成器进行一次训练，并不断重复；

当生成器能够生成令鉴别器的损失误差曲线停留在0附近振荡的配准图像，生成器与鉴别器达到纳什均衡时，模型收敛。

8.根据权利要求7所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述对生成器的训练方式为：S301、将浮动图像和固定图像输入生成器，从浮动图像到固定图像的密集体素对应关系得到形变场；

S302、利用S301得到的形变场和空间变换器的双三次插值法对浮动图像进行计算得到配准图像，并利用形变场计算逆向形变场，其计算方式为：；

其中， 是逆向形变场， 是原始的配准形变场，表示原始形变场的像素点，表示逆向形变场的像素点；

S303、利用逆向形变场和空间变换器的双三次插值计算配准图像的逆向图像，其计算方式为：

其中， 是预测配准图像，是 中的像素点坐标位置， 是浮动图像， 表示像素点 在形变场 上的扭曲结果,  为 的邻域，  是图像的迭代计算维度； 表示维度空间 中的像素点 ， 表示维度空间 中像素点 在形变场 上扭曲的结果， 表示维度空间d中像素点的领域 ；

S304、生成器自身将逆向图像和浮动图像的相似性度量MSE作为损失函数的一部分反馈给生成器，同时鉴别器将配准图像和固定图像的相似度度量也反馈给生成器，完成生成器的一次训练。

9.根据权利要求7所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述鉴别器的训练方式为：S311、将配准图像和固定图像分别输入鉴别器；

S312、计算配准图像和固定图像的相似度，并将结果返还给生成器。

10.根据权利要求9所述的一种基于对抗的双向一致性约束医学图像配准算法，其特征在于，所述S312中配准图像和固定图像的相似度是通过Wasserstein距离进行度量的，其鉴别器的损失函数表示为：

其中， 是真实形变场， 是由生成器生成的形变场， 是真实样本分布，是由生成器产生的样本分布， 表示配准正例的Wasserstein距离， 表示形变场生成的配准图像与固定图像的Wasserstein距离， 是惩罚项，是梯度惩罚系数。