1.一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，包括如下步骤：S1：对医学图像进行预处理；

S2：在预处理后的医学图像中提取待配准图像对的梯度信息；

S3：将待配准图像对及其梯度信息输入搭建好的医学图像配准网络，利用医学图像配准网络进行特征提取，预测出形变场；

S4：利用空间变换网络将形变场和待配准移动图像进行重采样，得到配准后的扭曲图像；

S5：计算配准后的扭曲图像和待配准固定图像的相似性损失，迭代优化最小相似性损失函数和形变场平滑性约束损失函数得到最优的医学图像配准网络，通过最优的医学图像配准网络得到最终的配准图像。

2.根据权利要求1所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S1中预处理包括颅骨剥离、重采样、图像裁剪、归一化和仿射对齐。

3.根据权利要求2所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S1中预处理的流程为：将所有图像都使用FreeSurfer进行脑提取，然后进行偏置校正和灰度归一化，再通过FMRIB软件库的FLIRT线性配准到MNI152空间，最后进行重采样和裁剪，使得所有图像大小相同且分辨率相同。

4.根据权利要求1所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S2中待配准图像对的梯度信息的提取方法为：利用有限差分来获得图像的梯度图，具体为，通过计算相邻体素之间的中心差异获得三维图像的梯度图，表示为：其中，G(V)是体素坐标X＝(x,y,z)的梯度长度。

5.根据权利要求1所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S3中医学图像配准网络是以卷积神经网络为基础搭建的，利用医学图像配准网络进行特征提取，预测出形变场的过程为：利用双路径编码器提取图像对的非耦合特征，单路径解码器将编码器提供的信息进行融合，预测出从移动图像到固定图像的形变场，然后利用空间正则化对形变场的空间梯度进行惩罚，得到平滑后的形变场。

6.根据权利要求5所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S3中平滑后的形变场的具体获取过程为：A1：将待配准图像对及其梯度信息的拼接作为该配准网络的输入，利用双路径编码器提取图像对的非耦合特征，得到下采样特征图，单路径解码器将编码器提供的信息进行融合，得到上采样特征图；

A2：对步骤A1所获得的上采样特征图进一步细化，得到与输入图像相同大小的形变场；

然后对卷积神经网络输出的形变场施加一个空间平滑性约束，即利用空间正则化对形变场过大的空间梯度进行惩罚，得到平滑后的形变场。

7.根据权利要求6所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S3中形变场的表达如下：φ＝Gθ(If,Im)                        (2)其中，If、Im分别表示固定图像和移动图像，Gθ()表示配准网络，θ表示网络参数，φ代表的是从网络中预测出的从移动图像到固定图像的形变场。

8.根据权利要求1所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S4中空间变换网络包含三个部分组成，分别是本地化网络、网格生成器和采样器；空间变换网络首先利用输入得到一组空间变换参数，之后利用网格生成器根据空间变换参数生成一个采样网络，最后根据采样网络对输入图像实施变换，输出扭曲图像。

9.根据权利要求1所述的一种基于非耦合特征与梯度信息的无监督医学图像配准方法，其特征在于，所述步骤S5具体为：设定卷积神经网络的损失函数由扭曲图像和固定图像的相似性损失Lsim和形变场的平滑性约束损失函数Lsmooth组成，其表达式如下：其中，λ为权重系数；

对于损失函数中的相似性度量Lsim，采用归一化互相关系数，即通过固定图像和扭曲图像的相同体素位置v处构建宽度为w的领域匹配窗口，建立目标函数来度量其对窗口的相关性，目标函数可以如下表示：其中，Ω是体素位置集合，vi代表v领域内的体素位置， 和 分别为v领域内的局部灰度平均值；

对于损失函数中的形变场平滑性约束损失Lsmooth，采用的是计算形变场梯度的L2范数的平方，目标函数可以如下表示：其中，u表示体素v的位移；对于三维医学图像而言，u可以表示为：

其中， 分别是对x、y、z三个方向上形变进行约束。