1.一种基于改进U‑net的高精度视网膜血管分割方法，其特征在于，包括以下步骤：

步骤1：数据准备；

对医学图像分割目标区域进行医学扫描后获取彩色医学图像，对获得的图像样本进行预处理，通过python内建库函数cvtColor方法提取RGB三通道中的G通道图像，得到灰度图像，医生基于经验对图像进行人工图像分割，手动做出对应的分割标签图像，该图像集用作模型训练使用；

步骤2：数据增强处理；

对预处理后得到的提取G通道后的灰度图像样本P1和对应的人工手动做出的分割标签图像P2一起进行旋转、平移、缩放，数据增强处理增加样本图像，得到多个医学图像样本对应的位图样本P1‑1和P2‑1，以P1‑1为图像样本，P2‑1为图像分割标签，将所有样本依预设比例划分为训练集、验证集；

步骤3：定义医学图像分割网络，医学图像分割网络包含一个医学图像分割框架U‑Net，U‑Net是一个编码器解码器的网络架构；将U‑Net编码器和解码器中的double‑conv模块替换为Dense Fusion Block，其中，第二层卷积层的输入由第一层卷积输出与第一层的卷积输入级联而来，第二层卷积输出与第一层卷积输出与第一层卷积输入再次进行级联操作，此两层卷积采用尺寸为3×3的卷积核，同时在后方引入尺寸1×1卷积核进行降维，并将输出与第一层输入进行特征融合，同时进行可变形卷积，称为De‑DFB，可变形卷积通过模块中增加额外偏移量的空间采样位置和从目标任务中学习到偏移量且不需要额外的监督，取代现有CNN的普通模块并且利用反向传播进行端到端的训练，产生可变形的卷积神经网络，改进模型为DFUNET，在U‑Net的基础上，替换double‑conv为DFB模块，在底端池化操作后的double‑conv替换De‑DFB模块，DFB改进于resnet和densenet，DFB包含dense connected layer、局部特征融合LFF和local r esidual learning，DFB可以学习输入输出之间的残差表示，使得收敛速度更快和提升分类精度，可变形卷积通过学习自适应的感受野来模拟不同形状和尺度的视网膜血管,以提升特征传输的非线性表达；

步骤4：训练医学图像分割网络；

使用训练集来训练医学图像分割网络，并用验证集来调试网络参数，得到一组最优模型参数；

步骤5：用测试集来进行最终的网络测试，得到网络最后的分割正确率。

2.根据权利要求1所述的基于改进U‑net的高精度视网膜血管分割方法，其特征在于：

在步骤2中，旋转的随机区间范围为0～10°，平移和缩放的随机区间范围均为0～10％；最后将增强后的位图样本按照4:1：1的比例来划分训练集、验证集、测试集。

3.根据权利要求1所述的基于改进U‑net的高精度视网膜血管分割方法，其特征在于：

使用之前划分好的训练集来进行视网膜血管分割，并用验证集来调试网络参数，步骤4中，用划分好的训练集来训练医学图像分割网络，利用反向传播策略，通过Adam优化器来自动更新迭代网络内部参数，每次送入网络的训练样本批量为4，训练次数为2000次，最优学习率为0.0001。

4.根据权利要求1‑3任意一项所述的基于改进U‑net的高精度视网膜血管分割方法，其特征在于：步骤5中，本系统最后使用彩色眼底视网膜来进行最终系统的测试，本系统采用ACC验证方法 式中，真阳性TP表示分割正确的血管点，假阳性FP表示分割错误的血管点，真阴性TN表示分割正确的背景点，假阴FN表示分割错的背景点；得到最后的系统输出结果；使用验证集进行实验结果验证，实验结果表明视网膜血管分割的准确率达到了96.17％，非常接近人工手动分割结果。

5.一种用于分割医学图像的装置，其特征在于，所述装置包括：

输入输出模块，用于获取待分割的多张图像，确定所述多张医学图像的目标分割区域；

处理模块，对医学图像分割目标区域进行医学扫描后获取彩色医学图像，对获得的图像样本进行预处理，通过python内建库函数cvtColor方法提取RGB三通道中的G通道图像，得到灰度图像，医生基于经验对图像进行人工图像分割，手动做出对应的分割标签图像，该图像集用作模型训练使用；

对预处理后得到的提取G通道后的灰度图像样本P1和对应的人工手动做出的分割标签图像P2一起进行旋转、平移、缩放，数据增强处理增加样本图像，得到多个医学图像样本对应的位图样本P1‑1和P2‑1，以P1‑1为图像样本，P2‑1为图像分割标签，将所有样本依预设比例划分为训练集、验证集；

生成医学图像分割模型，通过所述输入输出模块将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；通过所述输入输出模块将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率；

医学图像分割模型DFUNET，其中包含一个医学图像分割框架U‑Net，将U‑Net编码器和解码器中的double‑conv模块替换为Dense Fusion Block，其中，第二层卷积层的输入由第一层卷积输出与第一层的卷积输入级联而来，第二层卷积输出与第一层卷积输出与第一层卷积输入再次进行级联操作，此两层卷积采用尺寸为3×3的卷积核，同时在后方引入尺寸1×1卷积核进行降维，并将输出与第一层输入进行特征融合，同时改进部分常规卷积操作为可变形卷积，改进后的模块将其中常规卷积改进为可变形卷积，称为De‑DFB，改进模型为DFUNET，在Net的基础上，替换double‑conv为DFB模块，在底端池化操作后的double‑conv替换De‑DFB模块。

6.根据权利要求5所述的装置，其特征在于，所述处理模块具体用于：

通过所述输入输出模块将各位图样本的训练集分批输入所述医学图像分割模型；利用反向传播策略，通过Adam优化器来自动更新迭代网络内部参数，每次送入网络的训练样本批量为4，训练次数为2000次，最优学习率为0.0001。

7.一种计算机设备，其特征在于，所述设备包括：

至少一个处理器、存储器和收发器；

其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1‑4中任一项所述的方法。

8.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1‑4中任一项所述的方法。