1.构建癌症病理图像虚拟病例库的方法，其特征在于包括：

步骤(1)全扫描切片图像预处理：将全扫描切片图像从RGB色彩空间转化为HSL色彩空间，使用最大类间差方法进行阈值分割来获取组织区域；

步骤(2)、虚拟病例库构建：使用深度卷积生成对抗网络，训练二维生成对抗网络DCGAN，生成不同类型的病变区域图像，随后将其嵌入到正常组织区域中，得到拼接后的虚拟病理图像，从而构建为虚拟病例库。

2.根据权利要求1所述的构建癌症病理图像虚拟病例库的方法，其特征在于步骤(1)采用高尺度下的整个全切片图像，采用在S通道上使用Otsu算法对其进行阈值分割。

3.根据权利要求1所述的构建癌症病理图像虚拟病例库的方法，其特征在于步骤(2)中所述的使用深度卷积对抗生成网络，为使用深度卷积生成对抗网络算法训练得到生成模型，并利用该生成模型生成低尺度切片图像后，对生成图像进行降采样，生成一系列切片图像并将其聚合为虚拟癌症区域后，嵌入到正常区域内，形成虚拟病例。

4.根据权利要求1至3任一所述的构建癌症病理图像虚拟病例库的方法，其特征在于所述的癌症为所有可用病理切片确诊的癌症，包括乳腺癌、肺癌、胃癌或直肠癌。

5.一种基于卷积神经网络的癌症区域多尺度诊断系统，其特征在于基于卷积神经网络的方法，在病理全扫描切片上面检测癌症团区域，包括如下模块：病理切片图像预处理模块：在高尺度上，将全扫描切片图像的色彩空间从RGB转换为HSL，在S通道上使用最大类间差分法进行阈值分割，提取出组织区域；

虚拟病例数据库构建模块，使用深度卷积生成对抗网络训练生成不同类型的病理切片图像，组成癌症区域嵌入到正常组织区域中，得到虚拟病理图像，并将其构建为虚拟病例库；

高尺度癌团检测模块，在中尺度上，将组织区域划分为若干固定大小的切块，使用Faster-RCNN算法对切块进行癌症区域检测；

小尺度癌团分类模块，在低尺度上，将检测到的癌症区域划分为若干固定大小的切片，使用ResNet-50网络对其进行二分类识别。

6.根据权利要求5所述的基于卷积神经网络的癌症区域多尺度诊断系统，其特征在于所述高尺度癌团检测模块中，采用二维快速区域卷积神经网络Faster-RCNN方法，包括：A、使用去掉softmax层的卷积神经网络，作为特征提取网络对该图片进行特征提取，得到特征图(feature map)；

B、将特征图输入到区域生成网络中，通过锚机制(anchors)和binding-box回归，以及判断前景或背景的二分类器，得到一系列可能的候选区域；

C、将特征图中某候选区域的部分截出，通过目标区域归一化层归一化为固定大小的图片；

D、将该候选区域中的特征图送入分类网络，给出该部分属于各个类别的概率，使用非极大值抑制算法完成最后的筛选。

7.根据权利要求5所述的基于卷积神经网络的癌症区域多尺度诊断系统，其特征在于小尺度癌团分类模块中训练二维深度残差神经网络ResNet-50作为基本网络，对切片进行特征提取；并使用softmax作为分类器，在低尺度上，以固定256×256大小的切片为基本单位，进行癌细胞切片与正常细胞切片二分类，获得每个切片属于癌细胞切片类别的概率，完成对癌细胞的精确识别。