1.一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，具体操作步骤如下：(1)、使用现有新冠肺炎公开数据集图像，并对数据集进行预处理操作；

(2)、根据改进的U‑Net和GAN网络结构搭建训练模型；

(3)、训练生成对抗网络模型，将肺炎CT图像分批次送入搭建好的模型，并设置参数，生成质量多样性不同的数据；

(4)、将肺炎真实图像输入训练好的模型，最终得到生成的肺炎图像。

2.根据权利要求1所述的一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，在步骤(1)中，所述对数据集进行预处理操作具体是：首先，对图像进行平移、裁剪、旋转及翻转扩充数据样本；

然后，对样本进行灰度处理及图像锐化，从而增强图像中病灶明暗对比度。

3.根据权利要求1所述的一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，在步骤(2)中，所述改进的U‑Net和GAN网络结构具体是：GAN网络结构中的生成器模型采用改进的U‑Net网络，对U‑Net添加残差结构和多尺度特征融合；

网络结构中的判别器模型包括五层卷积层和一个全局池化层，尺度大小顺次为三个5*

5，两个3*3卷积层，最后一层的输出结果是尺度为1*1的一个概率值。

4.根据权利要求3所述的一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，所述对U‑Net添加残差结构具体是：改进的U‑Net网络下采样是一个的标准块和三个残差块连接的结构，所述标准块是由两个3*3的卷积核叠加而成，残差块是在一个3*3卷积核的两侧各添加一个1*1大小的卷积核，并在输入端和输出端连接一个1*1的卷积核；上采样是由两个残差块和一个标准块构成。

5.根据权利要求3所述的一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，所述添加的多尺度特征融合具体是：生成器模型将上采样、下采样过程中对应尺度的特征图跳跃连接，并对前三个卷积层的输出特征图进行上采样，步长分别为1，2，4的分数卷积，与最后一层反卷积得到的特征图进行融合。

6.根据权利要求1所述的一种基于UNet‑GAN网络的肺炎CT图像生成方法，其特征在于，在步骤(3)中，所述将肺炎CT图像分批次送入搭建好的模型设置参数具体是：设置网络训练批量处理数为20，初始学习率为0.0004，动量优化值为0.8，迭代次数为10000。