1.一种用于合成医学图像的生成对抗网络，其特征在于，

包括生成器和判别器；

所述生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；其中，等级为2的层级，每个卷积块包括一个隐藏层、三个卷积层和三个激活层，第一个卷积层卷积核大小为4*4，第二个、第三个卷积层卷积核大小均为3*3，每个激活层均使用LeakyRelu函数；等级为3到8的层级，每个卷积块包括一个上采样层、三个卷积层和三个激活层，每个卷积层卷积核大小均为3*3，每个激活层均使用LeakyRelu函数；等级为9的层级，每个卷积块包括一个上采样层、四个卷积层和四个激活层，第一个、第二个和第三个卷积层卷积核大小均为3*3，第四个卷积层卷积核大小为1*1，第一个、第二个和第三个激活层均为LeakyRelu层，第四个激活层使用Linear激活函数；所述卷积块，其特征图为带有自注意力的特征图，在每个卷积层之后使用像素归一化；

所述判别器的拓扑结构与生成器相反；其中，上采样层替换为下采样层，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；所述判别器的最低等级层级还包括批标准差；

所述生成器和判别器使用WGAN‑GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。

2.如权利要求1所述的一种用于合成医学图像的生成对抗网络，其特征在于，所述上采样层，采用近邻插值方法。

3.如权利要求1所述的一种用于合成医学图像的生成对抗网络，其特征在于，所述下采样层，使用平均池化的方法。