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，其中，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；所述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，形变配准网络中卷积层的卷积核大小为3*3、步长为2，其中每个卷积层之后添加批量归一化和Leaky ReLU激活函数；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层和ReLU激活函数；所述鉴别器的输入为固定图像和配准图像，输出为固定图像和配准图像对的Wassertein距离；

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，其中训练样本集中的选取方式具体为：在单模态情况下，

随机选取一个包括固定图像和浮动图像的图像对作为正样本，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：Ir＝σIm+(1‑σ)If，0<σ<1；

其中，Ir为正样本配准图像，Im为浮动图像，If为固定图像，σ为噪声因子；

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，p为图像中的像素， 是由生成器生成的形变场， 为经过形变场生成的配准图像， 为生成器产生的样本分布， 为固定图像和配准图‑1 ‑1

像之间的Wasserstein距离，MSE(Im，Ir )为反向配准图像Ir 和浮动图像Im之间的相似性度量，MSE为相似性度量， 为位移的梯度，其中，α为正则化参数，Ω为图像中所有的像素点，|| ||为一阶范数计算，u(p)为浮动图像中的像素和固定图像中的像素对齐到相似位置的位移，为求导；

在多模态情况下：

采用已配准好的图像对作为正样本，其中对应的固定图像和浮动图像分别来自不同模态的医学图像；

多模态情况下负样本的选择与单模态情况下的负样本选取相同；

深度学习神经网络进行对抗训练的具体方法为：

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，即生成器与鉴别器达到纳什均衡时，则模型收敛，其中，所述生成器的训练方法为：

S301、将浮动图像和固定图像输入生成器，根据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，Inv_Flow为逆向形变场，Flow为形变场，x表示形变场的像素点，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法计算配准图像的逆向图像，其计算方式为：其中，Iw为预测配准图像，x为配准图像的逆向图像中的像素点坐标位置，φ(x)为像素点x在形变场 上的扭曲结果，z∈V(x+φ(x))为x+φ(x)的邻域，d为迭代计算维度；xd为维度空间d中的像素点x，φd(x)为维度空间d中像素点x在形变场 上的扭曲结果，zd为维度空间d中像素点的邻域；

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；

所述鉴别器的训练方法为：

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，具体而言，配准图像和固定图像的相似度通过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，λ是梯度惩罚系数；

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，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、去除多模态医学图像中的无效背景区域，并选取多模态医学图像中的多层有效数据作为训练样本和验证样本。