1.一种基于信息瓶颈的医学图像脱敏方法，其特征在于，包括；

S1、获取患者隐私数据X以及X对应的数据标签Y；

S2、设计PM模型，所述PM模型包括特征提取模块、特征分布变换模块和特征对抗性重构模块；

所述特征提取模块提取与患者隐私数据最相关医学特征；

所述特征分布变换模块用于将最相关医学特征Z映射到分布Q中，将患者隐私数据的原分布映射到新的分布Q中，对原数据进行隐私保护；

所述特征对抗性重构模块用于将分布Q中的数据重构为医学云模型所接受的服务格式；

S3、将患者隐私数据X输入PM模型映射为查询数据X´，并通过优化函数进行优化：（1）；

公式（1）中， 是使后面的公式达到最小值时的变量的取值；L1和L2分别是患者隐私数据的正则化项和效用正则化项； 是自定义优化因子；

S4、将数据集输入医学云模型，输出查询数据标签Y′：S5、利用分割学习的方法更新PM模型；

所述优化函数包括：

优化L1，即最小化隐私数据X和查询数据X´的互信息：（2）；

公式（2）中，I表示互信息，ϕ 是将X映射到X´的函数，即ϕ（X）=X´；

优化L2：

（3）；

公式（3）中，Dkl代表最小化 和 二者之间的KL散度距离，k（）为医学云模型对查询数据X´的处理函数； 为X的原始分布； 为X´在低维空间的分布；Z为患者隐私数据X的最相关医学特征；

将X映射到X′时，保证 并且k（X）=k（X′），将L2广义化为：（4）；

公式（4）中，Y´是对应X´输出的查询数据标签，Pf是医学云模型的输出所在分布，d表示距离度量。

2.根据权利要求1所述的一种基于信息瓶颈的医学图像脱敏方法，其特征在于，所述S3具体包括：S31、将患者隐私数据X利用信息瓶颈特征提取最相关医学特征Z；

S32、将最相关医学特征Z映射到分布Q中；

S33、当分布Q的决定性参数θ被确定时，从Q（θ）中随机采样得到低维特征Z´；

S34、将低维特征Z´对抗性重构为查询数据X´，由查询数据X´构成训练医学云模型的数据集；

对z′进行逆重构：

（5）；

公式（5）中，E表示为均值， 是最大化Z´与X′在高维和低维的信息差异，d1是高维空间中Z´与X′的差异，d2是低维空间中Z´与X′的差异；FE是特征提取。

3.根据权利要求1所述的一种基于信息瓶颈的医学图像脱敏方法，其特征在于，所述利用分割学习的方法更新PM模型具体包括：患者端与医学云端分别将隐私数据以及医学云模型检测结果输入PM模型用于更新PM模型。