1.一种深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：包括如下步骤：步骤1、采集训练数据；

在声学分辨率光声成像系统下，采集肿瘤血管的低分辨率光声图像；

在光学分辨率光声显微成像系统下，采集肿瘤血管的高分辨率光声图像；

步骤2、基于所述训练数据，训练深度学习模型，所述深度学习模型为生成对抗深度学习网络(generativeadversarialnetwork，GAN)模型；

步骤3、基于训练后的所述深度学习模型，实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像；

所述训练数据采集时，将对应声学分辨率系统下成像断面的肿瘤组织以组织切片的方式切成薄片形成切片组织，然后对所述切片组织在光学分辨率光声显微系统下成像，形成高分辨率光声图像。

2.根据权利要求1所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：所述训练数据中的所述低分辨率光声图像与所述高分辨率光声图像之间在对比度、分辨率、空间像素位置和信号幅值方面进行预处理并调整配准。

3.根据权利要求2所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：所述生成对抗深度学习网络模型训练过程中，输入为所述低分辨率光声图像，通过目标函数最小化网络输出光声图像和所述组织切片的高分辨率光声图像之间来自逐像素丢失、对抗丢失和鉴别丢失的误差，实现网络模型参数的优化。

4.根据权利要求3所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：所述生成对抗深度学习网络模型训练过程中，选取80％的所述训练数据用于训练所述生成对抗深度学习网络，并确定所述生成对抗深度学习网络中的各个参数；剩余20％的所述训练数据用来验证所述生成对抗深度学习网络的性能。

5.根据权利要求1所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：将每一幅采集到的声学分辨率肿瘤新生血管图像，输入到训练后的所述深度学习模型，通过计算输出具有光学分辨率的肿瘤新生血管图像。