1.一种基于收敛生成对抗网络的医学图像诊断报告隐写方法，其特征在于，包括以下步骤：

1)在图像隐写过程中，利用深度生成网络分别对诊断报告和原始图像进行编码，获取对应模态数据的连续性特征，再通过融合两种连续性特征将诊断报告隐写到对应的医学图像中；

2)在图像隐写过程中，引入局部正则化项和0中心Wasserstein散度；

所述局部正则化项为

其中，x、t分别表示原始医学图像、诊断报告，0表示全0向量，Jx表示雅可比矩阵，ΙN表示大小为N的单位矩阵， 表示期望，z为高斯噪声，α和β是超参数，Pr表示原始医学图像分布，Pz表示采样的高斯分布，D和G分别表示判别网络和生成网络，上式中的第一项即为隐写损失，用于将隐写图像驱动到真实图像的流形上，保持隐写图像的真实度，第二项为局部化项，用于保持局部性；

所述0中心Wasserstein散度定义为：

其中，k是一个正整数，Pr和Pg分别表示真实图像和隐写图像的数据分布，Pu表示真实图像与隐写图像的混合分布， 和 分别表示服从分布Pr，Pg和Pu的期望， 表示函数的梯度， 表示在开放、连续可微空间中所有一阶可微函数构成的空间，对于真值函数f，将最常用的约束f(t)＝‑log(1+exp(‑t))添加到连续可微空间Ω；

3)图像解码过程中，构建深度文本网络提取隐写图像中的诊断报告，利用解码损失确保提取的信息在内容和语义两个层面均与原诊断报告保持一致。

2.根据权利要求1所述一种基于收敛生成对抗网络的医学图像诊断报告隐写方法，其特征在于：局部正则化约束满足两个条件：局部性和正交性，局部性约束表示为：

正交性约束表示为：

G表示生成网络，x、t分别表示原始医学图像、诊断报告，0表示全0向量，Jx表示雅可比矩阵，ΙN表示大小为N的单位矩阵， 表示期望，Pr表示原始医学图像分布。

3.根据权利要求1所述一种基于收敛生成对抗网络的医学图像诊断报告隐写方法，其特征在于：所述解码损失为

4.根据权利要求1‑3任一项所述一种基于收敛生成对抗网络的医学图像诊断报告隐写方法，其特征在于：构建的目标函数为：

5.根据权利要求4所述一种基于收敛生成对抗网络的医学图像诊断报告隐写方法，其特征在于：训练过程中，首先采用交替训练方法，然后将网络构造为端到端模型进行微调。

6.一种计算机可读存储介质，其特征在于：该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1‑5任一项所述的基于收敛生成对抗网络的医学图像诊断报告隐写方法。