1.一种基于深度学习的医疗图像增强处理方法，其特征在于，包括以下步骤：根据是否需要进行样本数量的扩充，选择图像增强的模型；

若需要进行样本数量的扩充，则采用生成对抗网络进行图像增强，否则采用自编码器进行图像增强；

所述生成对抗网络采用基于局部特征增强的生成对抗网络进行训练，在传统的生成对抗网络的基础上，通过采用多层非线性变换和局部特征增强机制，生成器不仅依赖噪声向量，还融合图像的历史生成状态和局部特征；

采用联邦学习架构训练模型，模型在多个分散的设备或服务器上进行训练，其中，设备或服务器持有本地医疗图像数据样本，而无需交换这些医疗图像数据；

所述基于局部特征增强的生成对抗网络进行训练，所述步骤还包括：初始化生成器和判别器；

在生成器网络中加入多层非线性变换和局部特征增强机制，生成器的非线性变换操作依赖于输入的噪声和图像的历史生成状态，以实现更加复杂的图像生成，表示为：式中， 为生成器第 层的权

重矩阵； 为生成器的偏置项； 为生成器第 层的生成图像的局部特征； 为第一非线性函数，具体为Sigmoid， 为第二非线性函数， 为生成器的层数；

在每一轮训练中，首先使用真实的医疗图像输入判别器进行训练，然后输入随机噪声向量到生成器生成图像，并将生成的图像送入判别器进行评估，判别器的目标是区分真实图像和生成图像，而生成器的目标是最大化判别器的判断错误，判别器和生成器交替训练，判别器的损失函数基于对抗性损失计算，并采用基于梯度域的自适应调整机制增强判别器对细节特征的敏感度，表示为：式中， 为真实医

疗图像， 为判别器的权重， 为判别器函数， 为真实的医疗图像数据的分布，为噪声向量的分布， 为判别器的损失函数，表示期望，表示服从于特定分布，为生成的医疗图像数据的分布， 为L2范数， 为判别器对生成图像的梯度； 为生成器生成的医疗图像；

通过扩散过程和非线性逼近方法增加生成器生成图像的多样性，扩散过程将生成器的噪声向量从低维空间扩展到高维空间，以增加样本生成的多样性，并通过对生成器输出图像的逐步优化来增强图像的细节，其中，扩散过程表示为：式中， 为第 次迭代的扩散后的图像， 为第 次迭代的扩散过程；

在训练过程中，采用梯度域自适应调整策略，根据图像的梯度信息调整网络中的梯度传播方式，并自动调整梯度大小以稳定收敛，其中，生成器和判别器的梯度更新规则分别表示为：、 式中， 为生成器的梯

度调整项， 为判别器的梯度调整项， 为生成器的损失函数， 为判别器的损失函数， 为生成器的自适应梯度调整函数， 为判别器的自适应梯度调整函数， 表示Hadamard积， 为对生成图像的梯度；

在生成器的生成过程中，采用局部特征增强损失函数动态加强图像中关键信息区域的特征表达，局部特征增强损失函数的计算方式表示为：式中， 为局部特征增强损失函数， 为生成图像在

第个局部区域上的表示， 为真实图像在第 个局部区域上的表示， 为第 个区域的权重，衡量该区域对图像整体质量的重要性，其中，区域的权重基于图像的局部梯度和高频特征进行计算，根据梯度的大小和区域特征的高频部分进行自适应调整，表示为：式中， 表示区域 在生成图像 上的梯

度， 为控制局部区域重要性灵敏度的参数， 表示第个局部区域范围；

通过不断迭代优化生成器和判别器的参数，直到生成器能够产生高质量的图像，并且判别器对真假图像的辨别能力达到最优，更新方式表示为：式中， 为第 次迭代的生成器的学

习率， 为第 次迭代的判别器的学习率， 为生成器的损失函数关于权重参数的梯度， 为判别器的损失函数关于权重参数的梯度，为参数更新操作， 为局部特征增强损失函数， 为局部特征增强损失函数关于生成器权重参数的梯度，为局部特征增强损失函数关于判别器权重参数的梯度，并采用自适应动态学习率优化策略增强训练过程中梯度更新的精度与效率，计算方式表示为：式中， 为生成器的初始学习率，

为判别器的初始学习率， 是动态学习率调整因子，控制学习率的衰减速度， 是学习率正则化常数，防止在极小梯度情况下学习率过大， 是调整因子的幂指数，用于控制学习率衰减的非线性特性。

2.如权利要求1所述的基于深度学习的医疗图像增强处理方法，其特征在于，基于局部特征增强的生成对抗网络进行训练，所述步骤还包括：生成器和判别器均采用卷积神经网络架构，用于识别生成图像与真实图像之间的差异，生成器通过输入噪声和模型权重生成医疗图像，表示为：式中， 为生成器的随机输入噪声， 为生成器模型的权重， 为生成器生成的医疗图像， 为生成器函数。

3.如权利要求2所述的基于深度学习的医疗图像增强处理方法，其特征在于，基于局部特征增强的生成对抗网络进行训练，所述步骤还包括：第二非线性函数是通过加权的ReLU激活函数与卷积核组合进行的多层次局部特征映射，计算方式表示为：式中，

为ReLU激活函数，用于局部特征的激活，并在局部上下文中增强图像生成的精度，为生成器的调整因子。

4.如权利要求1所述的基于深度学习的医疗图像增强处理方法，其特征在于，若需要进行样本数量的扩充，则采用生成对抗网络进行图像增强，否则采用自编码器进行图像增强，所述步骤还包括：自编码器采用基于特征稀疏映射的自编码器进行医疗图像数据增强，基于稀疏性编码和自适应LeakyReLU激活函数。

5.如权利要求4所述的基于深度学习的医疗图像增强处理方法，其特征在于，基于特征稀疏映射的自编码器进行医疗图像数据增强，所述步骤还包括：初始化自编码器网络中的权重和偏置，初始化的方式表示为：式中， 表示自编码器的初始权重， 是自编码器的初始化系数，用于缩放权重， 是自编码器输入特征的维度， 表示均值为0、方差为1的正态分布，其中，自编码器的偏置项初始化为零，表示为：式中， 表示自编码器的初始偏置，自编码器的初始化系数通过输入医疗图像数据的维度和医疗图像数据分布特性计算，表示为：式中， 是初始化的缩放因子， 是输入医疗图像数据的特征数，是自编码器中的编码器的输出医疗图像数据的特征数；对输入的高维特征进行归一化处理，表示为：式中， 表示标准化后的输入医疗图像数据， 是原

始输入医疗图像数据， 是输入医疗图像数据的均值， 是输入医疗图像数据的标准差；

通过编码器部分将输入医疗图像数据映射到一个低维度的稀疏表示空间；

在编码过程中计算稀疏性损失函数，表示为：

式中， 是稀疏性损失函数，

是编码器的稀疏正则化的权重， 表示L1范数，控制特征的稀疏性， 为L2范数，是编码器权重的第列特征值， 为编码器的层数；

进行样本空间投影优化，通过计算样本的投影误差，并调整编码器的映射权重，以优化降维后空间的特征表示，表示为：式中， 表示优化后的自编码器的权重矩阵， 是空

间投影优化的学习率， 是关于权重矩阵的梯度， 是投影损失函数；

在编码器对医疗图像数据进行降维之后，解码器将低维特征映射回高维空间，生成输入的重构版本，解码器进行特征重构的方式表示为式中， 是解码器输出的重构医疗图像数据，即，通

过自编码器进行增强后的医疗图像数据， 是解码器中的激活函数，具体为Sigmoid激活函数， 为解码器的权重，属于优化后的自编码器的权重矩阵的解码器部分， 为解码器的偏置；

计算重构误差，并根据重构误差更新自编码器权重，自编码器的权重更新方式表示为：式中， 是通过反向传播算法更新后的自编

码器权重， 是通过反向传播算法进行自编码器权重更新的学习率， 是自编码器的总损失函数， 是自编码器的总损失函数关于权重的梯度，其中，编码器的总损失函数的计算方式表示为：式中， 是自编码器的总损失函数，

是局部加权正则化损失函数；

重复迭代上述步骤，直至满足预设的停止迭代条件。

6.如权利要求4所述的基于深度学习的医疗图像增强处理方法，其特征在于，基于特征稀疏映射的自编码器进行医疗图像数据增强，所述步骤还包括：通过编码器部分将输入医疗图像数据映射到一个低维度的稀疏表示空间，编码器的编码过程表示为式中， 表示编码器的输出低维表示， 是编码器中的激活函数，具体为自自适应调整的LeakyReLU激活函数， 是编码器的权重，属于自编码器的权重的编码部分， 是编码器的偏置。

7.一种基于深度学习的医疗图像增强处理系统，适用于如权利要求1至6任意一项所述的基于深度学习的医疗图像增强处理方法，其特征在于，包括图像增强模块和联邦学习模块，所述联邦学习模块与所述图像增强模块连接；

所述图像增强模块，用于对医疗图像进行增强；

所述联邦学习模块，用于在多个客户端之间进行模型参数的更新流动，而不交换原始医疗图像数据。