1.一种自适应生成对抗网络交替训练方法，其特征在于，包括以下步骤：S1、从训练集中随机抽取一组图片集 ，从正态分布中随机抽样m个噪声向量；m为图片集中图片的数量；

根据生成器生成的生成样本 和训练样本x，计算得到收敛性度量指标 和；

S2、判断以下条件： 、 是否均满足，若是，则利用所述图片集训练生成器，否则利用所述图片集训练判别器；其中， 和 是预先设置的超参数；

S3、重复步骤S1和S2，当自适应生成对抗网络生成的图像视觉效果或预设的评价指标达到设定要求时，保存AdaGAN模型。

2.根据权利要求1所述的自适应生成对抗网络交替训练方法，其特征在于，； ；

是判别器函数， 为生成器函数。

3.一种医疗图像分类方法，其特征在于，包括以下步骤：A1、对于每一类疾病图像，初始化对应的自适应生成对抗网络AdaGANk，构建有标签训练集DS和有标签测试集TS；其中， ，DSk为类别k的有标签训练数据集，样本数量为nk， ；K个类别构建的有标签测试集为 ；TSk为类别k构成的测试数据集，样本数量为 ， ，其中 表示类别k构成的有标签测试数据集TS中的第1个样本； 表示类别k构成的有标签测试数据集TS中的第 个样本；

A2、对于每一类疾病图像，使用有标签训练集DSk训练AdaGANk，直到AdaGANk收敛后，保存AdaGANk模型；

A3、对于每一类疾病图像，使用AdaGANk的生成器和随机生成的p个随机向量，得到k个类别，每个类别数量包括p个生成样本，记为GS， ；

A4、使用GS训练图像分类模型，即每次以随机的顺序从GS中抽取样本训练分类模型，直至图像分类模型收敛，保存收敛后的分类模型；

其中，AdaGANk根据权利要求1或2所述方法训练获得。

4.根据权利要求3所述的医疗图像分类方法，其特征在于，所述图像分类模型为ResNet50模型。

5.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器执行所述计算机程序，以实现权利要求1～4之一所述方法的步骤。

6.一种计算机程序产品，包括计算机程序/指令；其特征在于，该计算机程序/指令被处理器执行时实现权利要求1～4之一所述方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～4之一所述方法的步骤。