1.基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于，包括如下步骤：

（1）选取DIARETDB0数据集和DIARETDB1数据集中的全部眼底图像以及Messidor 数据集中部分正常眼底图像作为原始数据样本；

（2）图像预处理，对眼底图像扩充、裁剪和归一化处理；

（3）文字标签制作，每张眼底图像依据真实的各种病灶点的标签数据生成直观的文字描述；

（4）构建深度神经网络，所述的深度神经网络包括用于进行图像数据编码的深度卷积神经网络和用于解码的深度循环神经网络，对于给定的样本图像可以通过该深度神经网络生成文字标注；

（5）使用迁移学习方法初始化深度卷积神经网络参数,深度循环神经网络参数进行随机初始化；

（6）将预处理好的样本数据送入深度神经网络，通过反复迭代更新网络参数，使得生成的标注尽可能接近真实的标注；

（7）用训练好的糖尿病视网膜病变图像标注模型在测试集上做测试，验证模型效果，并将结果最好的模型作为最终的模型。

2.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于：所述步骤（2）中对图像的预处理具体为：首先将原始高分辨率图像（1152×1500）缩放至适合网络的尺寸（299×299），以提取图像的全局特征；接着对图像按比例缩放得到一张尺寸为768×1000的子图像，从子图像中随机裁剪出一张尺寸为598×897的图像，将该图像以2×3的网格形式裁剪为6张尺寸为299×

299的图像，以提取图像的局部特征；最后对得到的7张299×299的图像做归一化处理，使得网络充分提取图像的特征。

3.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于：所述步骤（3）中依据图像真实病灶点标签生成5句意思相近的文字表述来描述图像。

4.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于：所述步骤（4）所构建的深度神经网络包括深度卷积网络和深度循环神经网络，这里使用的深度卷积网络是Inception-V3，深度循环神经网络是RCNN；其中深度卷积神经网络包括卷积层、池化层、激活层和Batch Normalization层，在深度卷积网络后面接有7个并列的全连接层，分别处理深度卷积网络后的7个输出，得到7个512维的向量，然后通过加权求和得到用于表示图像的特征向量；使用长短时序记忆循环神经网络（LSTM）在时间维度级联得到深度循环神经网络；对于特定输入，在每个时刻生成一个单词，最后得到一句连贯的文字描述。

5.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于：所述步骤（5）中使用迁移学习方法初始化网络参数，通过在ImageNet图像数据集上训练得到的权重进行网络参数初始化。

6.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于：所述步骤（6）中的训练过程中，预训练参数保持不变，只更新随机初始化的参数，即7个全连接层的参数和深度循环神经网络的参数。