1.一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，包括以下步骤：

a.从血管网络中提取微血管分叉对，所述微血管分叉对为一组母系和子系血管分叉，所述子系血管分叉为母系血管分叉中的一分支为主分支的血管分叉。将所有母系和子系血管分叉共同的血管分支的管径和长度进行分类，并将每个共同的血管分支的分类信息作为对应子系血管分叉的母系血管分叉条件标签。将子系血管分叉数据与母系血管分叉条件标签组成真实样本，其中，子系血管分叉数据包括子系主分支节点坐标及管径信息、子系左分支节点坐标及管径信息、子系右分支节点坐标及管径信息。

b.构造包含生成器和判别器的条件深度卷积生成对抗网络；其中，生成器采用深度卷积神经网络结构，输入为母系血管分叉条件标签和随机获取的均匀分布的噪声，输出为生成的一组多个子系血管分叉数据；判别器也采用深度卷积神经网络，用于区分输入数据是来自真实样本还是生成器生成的假样本，判别器的输入为该真实的母系微血管分叉条件标签对应的真实样本以及该真实的母系血管分叉条件标签和由生成器生成的子系血管分叉组合的假样本。

c.利用条件深度卷积生成对抗网络对带条件的真实样本进行训练，最后通过损失函数的博弈，获得能够通过上级母系血管分叉条件标签生成下级子系血管分叉的生成器模型；

d.根据步骤c中获得的训练好的生成器模型，逐级生成子系血管分叉同时进行微血管分叉树生长，具体包括如下子步骤：

d1获取1个主分支管径最大的微血管分叉作为待生成的血管树的入口分叉，即微血管树的第0级分叉，并把该入口分叉作为上级母系血管分叉；

d2将母系血管分叉的左、右分支按照血管管径值的大小排序，分叉生长顺序由粗到细。

d3先挑选出血管管径最粗的分支，并进行是否生长的判断，若此分支管径大于生长管径阈值，则可以生长，将该分支作为生长分支，并依据管径和长度进行分类，作为母系血管分叉条件标签，和噪声z级联后输入训练好的生成器，生成器运行O轮，获得包含O×P个子系血管分叉的子系血管分叉库，其中，P为生成器输出层的批尺寸。

d4计算步骤d3生成的子系血管分叉库中所有子系血管分叉主分支的管径D、分支长度L以及卷曲度T，并计算每个子系血管分叉主分支与该级母系血管分叉对应生长分支的管径D1、分支长度L1以及卷曲度T1的差异构成相似度差异集F：F＝{F1,F2,F3,...,Fi,...,FI},Fi＝λ1(D1‑Di)+λ2(L1‑Li)+λ3(T1‑Ti)其中，i表示子系血管分叉库中子系血管分叉的索引，I＝O×P；λ1，λ2，λ3为加权系数，λ1+λ2+λ3＝1。

d5将d4得到的差异最小的子系血管分叉作为生长分叉并将该分叉主分支的端点平移至上一级母系血管分叉结点位置，然后以上一级母系血管分叉结点位置为原点，将子系血管分叉依照优化后的生长角度进行旋转，最后将母系血管分叉的生长分支替换为旋转后的子系血管分叉的主分支完成拼接。其中，优化后的生长角度通过如下方法进行优化矫正：计算生长分支与x轴正半轴的夹角θa，并根据适合生长的方向角度的集合C进行判断：若夹角θa在集合C的范围内，则该角度即为最终生长角度；若夹角θa不在集合C的范围内，则进行矫正直到矫正后的角度在集合C的范围内，矫正公式为：θr＝θa±random(30°～

60°)

集合C表示为：C＝{(δ‑60°，δ+60°)∩(ε‑90°，ε+90°)}∪360°其中，ε为母系血管分叉中的主分支与正半轴的夹角，δ为根据未生长前的初始微血管树图中，以生长结点旋转θa后为中心点提取的矩形ROI区域中血管密度分布的质心点与x轴正半轴的夹角。

d6对拼接后的微血管树的所有分支进行是否相交检测，若无相交则拼接的子系血管分叉为最终匹配生长的子系血管分叉，否则重新在步骤d3得到的子系分叉库中逐一选择差异递增的子系血管分叉，再重复d5步骤，直到生长的微血管树分叉之间不发生碰撞；

d7再将母系微血管分叉的生长分支替换为管径第二大的分支，重复d3‑d6步骤完成基于此分支的微血管树子系血管分叉的生长，至此则完成第一级微血管树的生长过程。

d8将生长获得的子系血管分叉作为下一级微血管树生长的母系血管分叉，再重复d2‑d7步骤完成下一级微血管树的生长，逐级生长，直至微血管树所有生长分支的管径小于设定的最小生长管径阈值，停止生长，获得完整的血管树。

2.根据权利要求1所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，所述步骤a具体包括以下子步骤：a1从原始微血管网络中分离出微动脉树。在微动脉树数据的微血管分叉中挑选微血管分叉对。所述微血管分叉对为一组母系和子系血管分叉，其中，母系血管分叉数据包括母系血管分叉的母系主分支节点坐标及管径信息、母系左分支节点坐标及管径信息、母系右分支节点坐标及管径信息，子系血管分叉数据为母系血管分叉数据中的一分支为主分支的血管分叉节点坐标及管径信息，包括子系主分支节点坐标及管径信息、子系左分支节点坐标及管径信息、子系右分支节点坐标及管径信息。

a2将提取到的每个微血管分叉对的节点坐标及管径存储到一个二维数组array中，统一构成一个20×N的矩阵。其中，N为微血管分支最多包含的节点数量，数据不足N的列用0补足，并标记开始补0的位置，无数据的行用0补足。

a3分别对微血管分叉坐标和管径进行归一化处理。

a4将归一化后20×N矩阵中所有母系和子系血管分叉共同的血管分支的管径和长度进行分类，并将每个共同的血管分支的分类信息作为对应子系血管分叉的标签条件，将子系血管分叉数据与母系血管分叉条件标签组成真实样本，每个样本的形式为10×N的子系血管分叉数据，同时每个子系血管分叉附带一个1×2维的母系血管分叉条件标签。

3.根据权利要求2所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，所述步骤a3之前还包括数据扩增步骤，具体如下：在0°～360°范围内，对存储在二维数组array中的分叉数据，每次增加α度旋转，对数据进行扩增，旋转公式如下：

x1＝x0cosα‑y0sinα

y1＝x0sinα+y0cosα

其中，x0、y0分别为微血管分叉的节点坐标，x1、y1分别为微血管分叉绕原点顺时针旋转α度后的节点坐标。

4.根据权利要求1所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，所述步骤b中，生成器的神经网络结构包括5层，其中第一层为全连接层，后

4层为反卷积层，卷积核大小为3×3。每层反卷积层后采用实例归一化处理；除最后一层输出层为Tanh激活函数以外，其余各层均使用ReLU激活函数。

判别器的网络结构包括5层，其中前4层为卷积层，最后一层为全连接层，输出层的节点数为1，且为(0,1)范围内的标量。

5.根据权利要求4所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，所述判别器中，每层卷积层后均依次进行了频谱正则化、实例归一化处理。

6.根据权利要求1所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，所述步骤c中，训练过程具体包括以下子步骤：c1生成器接收随机噪声z与母系血管分叉条件标签c的级联，其中母系血管分叉条件标签c指导生成器的生成，生成子系血管分叉；

c2将该生成的子系血管分叉与真实的母系血管分叉条件标签c进行级联组成假样本输入到判别器中；

c3再将经步骤a处理后得到的真实样本，输入到判别器中，通过判别器将真假样本进行比较，并输出样本是真是假的概率。

c4由判别器的判断结果，通过反向传播算法，再反馈给生成器，指导生成器生成更真实的微血管分叉，同时判别器也提高自己的判别能力。

c5重复步骤c2‑c4，通过损失函数进行约束往复训练，两者相互对抗，最终使生成器能依照母系血管分叉条件标签生成的符合原始数据分布的子系血管分叉，以至于判别器无法区分真假，则达到纳什均衡状态。其中损失函数表示为：其中，V(D,G)表示需优化的目标函数；z表示随机噪声，k表示真实的子系血管分叉数据，c表示母系血管分叉条件标签；k～Pdata(k)表示服从原始数据分布Pdata(k)， 表示在Pdata(k)分布下求期望；Z～Pz(z)表示服从先验分布Pz，Pz为[‑1,1]内的均匀分布， 表示在Pz(z)分布下求期望；G(z|c)表示输入向量z经过生成器在条件c的约束下生成的子系血管分叉；D(k|c)表示为一组联合的真实样本经过判别器D的输出。

7.根据权利要求1所述的一种基于条件生成对抗网络和约束规则的微血管树生成方法，其特征在于，根据未生长前的初始微血管树图中以生长结点旋转θα后为中心点提取的矩形ROI区域中血管密度分布的质心点获取方法具体如下：(1)获取未生长前的初始微血管树的图片，并以生长结点为中心点提取图片的矩形ROI区域，该区域的像素为H*H，并将该区域转化为单通道的灰度图；

(2)将生长结点以ROI区域下边中点为原点顺时针旋转θα度，以旋转后的坐标点作为ROI区域中心点更新该区域的像素矩阵；

(3)对该区域以进行滑窗处理，对每个子窗口计算其单位像素的被血管覆盖了的像素点比率作为该子窗口中心点像素的血管密度，将所有提取到子窗口中心点的血管密度值转化为h*h的像素点矩阵，并将该矩阵转化为单通道灰度图，其中，图中越亮，表示血管密度越高；对该灰度图做OTSU自适应二值化处理，再计算图中亮色区域的质心点。