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DIARETDB1数据集中含有硬渗出物病灶的眼底图像以及其对应的硬渗出物病灶概率图作为原始数据样本，对眼底图像和病灶概率图进行预处理，得到训练集和测试集；

(2)构建生成网络，通过深度卷积神经网络和解卷积神经网络构建图像生成器，对于给定的眼底图像生成对应的病灶概率图；

(3)构建判别网络，通过深度全卷积神经网络构建图像判别器，用于判断送入判别网络中的病灶概率图的真实性，同时判断其是否与眼底视网膜图像匹配；

(4)将预处理后得到的训练集，送入生成网络得到生成病灶概率图，然后将生成图像送入判别网络，计算损失函数，迭代更新参数，使得生成的病灶概率图在特征分布上尽可能接近真实的病灶概率图；

(5)生成图像后处理，对生成的病灶概率图进行阈值处理和边缘检测，提取病灶图的边界框并在原图上标出，实现对眼底图像病灶区域自动标注的功能；

(6)用训练好的眼底图像病灶区域标注模型在测试集上做测试，验证模型效果，根据模型效果微调参数，多次训练模型，获得最佳效果的模型，所述步骤(1)中对图像的预处理具体为：首先将原始高分辨率图像1152×1500进行补0填充，使得图像的长宽比为1:1，即1500×1500，然后将图像缩放到512×512来适应网络的输入尺寸，以此来提取图像的全局特征，同时对其进行上下和水平的翻转来扩充数据；同时，将

1500×1500的图像缩放到1024×1024，并将其裁剪成4张512×512大小的子图，该方法能够提取图像的局部特征，保留更多的病灶信息；最后将得到的7张512×512的图像进行归一化处理作为训练集，并在训练时随机选取混合训练；测试集选取512×512的完整图像，所述步骤(2)中所构建的生成网络采用深度卷积神经网络，以U‑Net为主体框架，其中U‑Net包括卷积层、解卷积层、激活层和批归一化层，首先将预处理后的眼底图像作为输入，经过8层卷积‑ReLu激活‑批归一化层构成的下采样网络提取图像的特征并实现降维，之后通过7层解卷积‑ReLu激活‑批归一化层构成的解卷积网络获得生成图像，其中每一层解卷积层都与下采样网络中对应层数的卷积层在深度上拼接，使得网络具有更细粒度的特征，所述步骤(3)中所构建的判别网络采用深度全卷积神经网络，其中深度卷积神经网络包括卷积层、激活层和批归一化层，在深度卷积神经网络后面接有sigmoid激活层，获得输入图像是真实图像的概率，即网络用于判断输入图像是否为真实图像。