1.一种基于跨域特征相关性分析的图像转换方法，其特征在于，包括如下步骤

1)所提框架的overview：

各domain真实图的batch相等，ITM和CFCAM进行迭代的对抗训练，通过迭代训练，两个模块的性能交替上升，在图像转换应用阶段，训练好的ITM被使用，而CFCAM不参与应用；

2)CFCAM的训练：

a.特征矩阵获取：各图像batch的特征矩阵H被对应的特征提取器f提取，H的列数等于batch的样本数，行数等于样本被提取出的特征维数，见公式(1)：*

其中，G为ITM的cross‑domain转换操作，将源domain图像转换为Y，f采用卷积神经网络CNN；对batch中的每一个样本，都有一个特征列向量被f所提取，各domain对应的f的网络结构相同，所提取的特征维数也相同，又因为各domain的batch大小一致，即都为p，H的尺寸都是一致的；

b.特征矩阵匹配： 和 进行匹配，所得“Matched Hs‑i”用于SLMi的训练，其中，同列的图像特征来自paired但unaligned cross‑domain图像，即弱标签； 同列特征对应的图像是unpaired中各列向量的排顺被随机化，得到 以及同列特征对应的真实图/合成图是paired；

c.损失映射函数计算：规范相关性分析CCA模块因其训练无需类别标签而被采用为SLM，CCA将cross‑domain特征映射至公共子空间以进行特征距离度量，paired样本对应的特征距离要小于unpaired样本对应的特征距离，即paired样本的相关性较高；

对于SLMi，其映射函数都先根据 进行计算，如公式(2)所示：其中， 是Si特征至共享子空间特征的映射， 是T特征至共享子空间特征的映射；

corr(.)是对映射后特征进行相关性计算的操作，该过程不涉及参数学习；通过最大化在公共子空间的特征相关性， 和 被计算；

d.模块优化，根据所得的映射函数，特征矩阵之间的相关性可被计算，如公式(3)所示：由于paired图像所蕴含临床表征的相关性是高于unpaired图像对应的相关性， 是*较大的， 是较小的；期望CFCAM能找到Y的临床表征偏差，因此在CFCAM训练阶段，和 也应是较小的；综上可用 和 指导CFCAM的优化，如公式(4)所示：

其中，k是用于归一化的常量，使 特征相关性C越高，越接近1，即 越接近0；反之 越接近负无穷，通过最小化LCFCAM‑i， 的参数可被更新，对于fT，其参数更新过程受i个LCFCAM‑i的共同反馈，如公式(5)所示：根据优化后的 被更新，从而 也被更新；

3)ITM的训练：

*

在ITM优化阶段，CFCAM的 的和 均被固定，此时期望ITM输出的Y 具有准确*的临床表征，换言之Y /y和 都具有较高的相关性，因此在ITM训练阶段， 和应尽可能变大，如公式(6)所示：将该损失项集成至ITM的优化目标，对ITM的训练进行约束，如公式(7)所示：LITM＝LITMself+λ×LITMsup       (7)。