1.一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，其特征在于，包括以下步骤：

(1)、获取2D和3D医学图像

获取X射线图像作为配准过程的术中2D参考图像，获取医学3D CT序列作为训练过程的术前3D图像序列；

(2)、搭建生成对抗网络

生成对抗网络包括生成器G和判别器D；

所述生成器G由全连接层网络构成，用于输出相对的形变参数；

生成器G采用3层全连接层结构，具体为：第一层为第一层全连接层，包含12个节点；第二层为第二层全连接层，包含24个节点；第三层为第三层全连接层，包含12个节点；

所述判别器D由卷积神经网络组合而成，输出二分类结果；

卷积神经网络的具体结构为：

第一层为第一卷积层，卷积核大小为3*3*3，输出通道数32，填充方式为same，步长2，输出分辨率为32*32*32；

第二层为第二卷积层，卷积核大小为3*3*3，输出通道数64，填充方式为same，步长2，输出分辨率为16*16*16；

第三层为第三卷积层，卷积核大小为3*3*3，输出通道数128，填充方式为same，步长2，输出分辨率为8*8*8；

第四层为第四卷积层，卷积核大小为3*3*3，输出通道数256，填充方式为same，步长2，输出分辨率为4*4*4；

第五层是全连接层，输出为一个0或1，其中，0代表假，1代表真，激活函数采样sigmoid；

(3)、训练训练生成对抗网络

(3.1)、将随机噪声Z输入至生成器G，输出一个相对形变参数，然后将术前3D图像序列经过相对形变参数的变形，产生形变后的3D图像序列，将其作为负样本序列，将术前3D图像序列作为正样本序列；

(3.2)、将每一组正、负样本一起输入判别器D，通过判别器D判别每个正、负样本中各个关节之间的形变是否符合人体椎骨关节间的约束，如果满足约束，则输出样本标签值1，如果不满足约束，则输出样本标签值0，完成正、负样本的二分类判别；

(3.3)、计算二分类交叉熵LBCE；

其中，yi表示样本i的标签值，Pi表示样本i输出样本标签值为1的概率；

(3.4)、经过多轮训练后，判断二分类交叉熵LBCE是否小于预设阈值，如果小于，则训练结束，得到训练完成的生成对抗网络；否则，继续输入下一组正、负样本，进行下一轮的训练，直至二分类交叉熵LBCE小于预设阈值；

(4)、2D/3D配准

(4.1)、生成配准形变参数；

将随机噪声Z0输入至训练完成的生成对抗网络，通过生成器G生成的相对形变参数T0＝(px,py,pz,qx,qy,qz)，其中，px表示相对刚体在X轴上的平移参数，py表示在Y轴上的平移参数，pz表示在Z轴上的平移参数，qx表示沿X轴的旋转参数，qy表示沿Y轴的旋转参数，qz表示沿Z轴的旋转参数；

根据经验值设置绝对刚体变换参数初始值R0＝(tx,ty,tz,rx,ry,rz)，其中，tx表示绝对刚体在X轴上的平移参数，ty表示在Y轴上的平移参数，tz表示在Z轴上的平移参数，rx表示沿X轴的旋转参数，ry表示沿Y轴的旋转参数，rz表示沿Z轴的旋转参数；

将形变参数T0＝(px,py,pz,qx,qy,qz)与刚体变换参数R0＝(tx,ty,tz,rx,ry,rz)共同构成

2D/3D配准的形变参数T＝{T0,R0}；

(4.2)、利用配准形变参数对术前待配准3D图像进行形变处理，得到形变后的3D图像，然后再通过X射线成像计算模型进行投影，从而生成2D的DRR图像；

(4.3)、将2D的DRR图像作为浮动图像，然后计算浮动图像与术中2D参考图像之间对应像素点的像素差值平方的和，并作为损失值；

(4.4)、判断损失值是否小于预设阈值，如果小于，则迭代停止，得到最优配准形变参数，然后进入步骤(5)；否则，重复步骤(4.1)～(4.3)，并利用梯度下降算法迭代优化求解，找出一组最优配准形变参数T＝{T0,R0}，然后再进入步骤(5)；

(5)、输出术前待配准3D图像经过最优配准形变参数后得到的3D图像，并作为最终的配准结果。