1.一种基于渐进式生成网络的医学图像增广方法，其特征在于，包括如下步骤：

1)训练样本的处理：

为使所提模型在训练过程中更好地利用size区间内的病灶的图像信息，以输出带有较小病灶的合成图，对无病灶整图X和带病灶整图Y进行数据处理；

2)网络层数的渐进式增加过程：

在渐进式生成训练之前，En和G在xrs‑n和yrs‑n上进行“编码‑>解码”的预训练，编码器的训练损失项见公式(1)：Lencoder＝||xrs‑n‑G(En(xrs‑n))||1+||yrs‑n‑G(En(yrs‑n))||1      (1)渐进式生成的训练过程的网络层层数是逐渐增加的，当Enfuse，G‑1，Dt‑1和Dc‑1的训练完成时，所得syn‑yrs‑1的质量令人满意；

3)所提的优化目标：

为保证生成的syn‑yrs‑n在被reshape成syn‑yn后，其临床表征准确且边缘纹理能与背景图的纹理连续的效果，各级分辨率ROI图像的生成训练都以该效果为目标，即各级训练的优化目标相同，所提模型都被三个损失项所约束，三个损失项为重构损失、条件辨别损失和纹理辨别损失；

4)总体优化目标：

对于每一个分辨率级别上的训练，新增入G中的网络模块都是经过预训练的，而新增入Dc和Dt的网络模块的参数都是随机初始化的，先对Dc和Dt进行训练，使其辨别性能略胜于合成器的生成性能，其优化目标见公式(9)：LDc‑i＝min(Dc‑i)LcDis‑i；LDt‑i＝min(Dmed‑i)Lmed‑i,min(Dft)Lft   (9)接着合成器根据反向传播的损失函数进行优化，合成器的优化目标见公式(10)：LGen‑i‑1st＝min(G‑i)Lrec‑1

LGen‑i‑2nd＝max(G‑i,Enfuse)(LcDis‑i+λLmed‑i+βLft)           (10)。

2.如权利要求1所述的一种基于渐进式生成网络的医学图像增广方法，其特征在于，所述步骤3)中，重构损失用于提高syn‑yrs‑i的临床表征准确性，通过最小化重构图和真实低分辨率图像之间的差异，具有初始参数的G‑1被更新；利用数据集中宝贵的yrs，为编码训练提供了一定数量的ground‑truth，从而，G‑1将“特征图的病灶信息”解码成“低分辨率医学图像中的病灶区域”的训练过程被监督，与此同时，xrs也为编码训练补充了ground‑truth，用于防止训练过程中，由于yrs数量较少所引起的过拟合问题；重构训练的过程与预训练过程类似，见公式(2)：Lrec‑1＝||xrs‑1‑G‑1(En(xrs‑n))||1+||yrs‑1‑G‑1(En(yrs‑n))||1    (2)。

3.如权利要求1所述的一种基于渐进式生成网络的医学图像增广方法，其特征在于，所述步骤3)中，条件辨别损失中，syn‑yrs‑1的生成过程受Enfuse和G‑1的共同影响，见公式(3)：syn‑yrs‑1＝G‑1[Enfuse[En*(xrs‑1)△En*(yrs‑1)]]        (3)针对无ground‑truth的syn‑yrs‑1，带类别信息的对抗生成[cGAN]被借鉴；在Dc‑1和合成器的对抗训练中，Dc‑1被寄希望可同时对输入图像的逼真性和类别标签准确性进行辨别，合成器则被期望所生成图像可被辨别为正样本；在Dc‑1优化环节，合成器的参数被固定，此时Dc‑1和合成器的对抗损失见公式(4)：LcDis‑1＝|log[Dc‑1(xrs‑1,lnodis)]+log[Dc‑1(yrs‑i,ldis)]+log[1‑Dc‑1(syn‑yrs‑1,ldis)]+log[1‑Dc‑1(xrs‑1,ldis)+log[1‑Dc‑1(yrs‑1,lnodis)]|   (4)在合成器优化环节，Dc‑1的参数被固定，此时期望(syn‑yrs‑1,ldis)被Dc‑1视为正样本，即Dc‑1(syn‑yrs‑1,ldis)尽可能为1，因此公式(4)对应损失应尽可能被最大化，辨别器和合成器交替训练，使合成器的性能逐步提升。

4.如权利要求1所述的一种基于渐进式生成网络的医学图像增广方法，其特征在于，所述步骤3)中，将纹理辨别损失反馈于合成器的训练，提高带病灶ROI合成图与背景连接区域的纹理连续性；

首先，合成器输出的syn‑yrs‑1的边缘区域与对应X的背景图边缘区域进行拼接；接着，医学图纹理连续性辨别器Dmed‑1在Ring‑Xrs‑1，Ring‑Yrs‑1和Ring‑syn‑Yrs‑1上进行对抗训练，训练中，有medical  image纹理对抗损失见公式(5)；

Lmed‑1＝|log[Dmed‑1(Ring‑Xrs‑1)]+log[Dmed‑1(Ring‑Yrs‑1)]+log[1‑Dmed‑1(Ring‑syn‑Yrs‑1)]|    (5)与此同时，所提的特征图纹理连续性辨别器Dft对连接处的纹理连续性进行了更深层次的辨别，在输入Dmed‑1前，背景环形图的size已与Ring‑Xrs‑1一致，而前景环形图像需要先被零padding至Ring‑Xrs‑1的size，以保证所得特征图的size都一致，见公式(6)：fRX,fRY,fRsY＝D*med(Ring‑Xrs‑1),D*med(Ring‑Yrs‑1),D*med(Ring‑syn‑Yrs‑1)fRXbg,fRYbg＝D*med(Ring‑Xbgrs‑1),D*med(Ring‑Ybgrs‑1)ZP ZP ZP

fRx,fRy,fRsy＝D*med(Ring‑xrs‑1 ),D*med(Ring‑yrs‑1 ),D*med(Ring‑syn‑yrs‑1 ) (6)将前&背景环形图的特征图与对应的前景特征图/背景特征图进行相减，可保留只与边缘连续性特征相关的残差特征图，见公式(7)：fRes‑X＝fRX‑fRXbg‑fRx；fRes‑Y＝fRY‑fRYbg‑fRy；fRes‑sY＝fRsY‑fRXbg‑fRsy    (7)此时，Dft在残差特征图上进行对抗训练，其训练过程见公式(8)：Lft＝|log[Dft(fRse‑X,fRse‑Y)]+log[1‑Dft(fRse‑X,fRse‑sY)]|    (8)。