1.一种视网膜血管图像分割方法，其特征在于，所述方法包括：获取视网膜血管图像，并对所述视网膜血管图像进行预处理；

将预处理后的视网膜血管图像输入到训练完成的U‑Net网络中；

利用U‑Net网络中编码器的各残差金字塔卷积层与对应的池化层提取出视网膜血管图像在不同层级的卷积特征和池化特征；

将每一层的卷积特征通过跳跃连接的方式传递至对应的注意力机制层，并从每一层的卷积特征中选择出视网膜血管图像目标区域的注意力特征；

将最后一层的池化特征输入到U‑Net网络中解码器的第一个残差金字塔卷积层中，并利用上采样层输出采样特征；

利用U‑Net网络中解码器的各残差金字塔卷积层与对应的上采样层，将上采样层的采样特征与对应的注意力特征进行拼接，并传递至解码器的最后一个残差金字塔卷积层，输出得到的特征图；

将输出得到的特征图经过一个1×1卷积，最后得到视网膜血管的分割结果。

2.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，对所述视网膜血管图像进行预处理包括对获取的视网膜血管图像进行去噪和增强对比度处理，并采用不同的颜色通道对视网膜血管图像进行处理，得到血管和背景对比度最高的视网膜血管图像。

3.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，对所述视网膜血管图像进行预处理还包括对获取的视网膜血管图像进行数据扩充操作，将每张视网膜血管图像进行相同尺寸的随机裁剪组合，从而获得扩充后的视网膜血管图像。

4.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，U‑Net网络的训练过程包括将作为视网膜血管图像的分割结果与其对应的标签图像进行逐像素比对，得到误差图像；根据所述误差图像计算U‑Net网络的目标损失函数，对所述目标损失函数采用反向传播计算出梯度值，采用随机下降算法确定所述目标损失函数的最小值，当所述目标损失函数最小时，完成U‑Net网络模型的训练。

5.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，所述残差金字塔卷积层包括两个串联的金字塔卷积模块，并通过残差连接层将第一金字塔卷积模块的输出与第二金字塔卷积模块的输出进行连接；每一个金字塔卷积模块包括两个第一单元和一个第二单元，且两个第一单元之间通过第二单元连接，所述第一单元包括批量归一化层、卷积层和激活函数层；所述第二单元包括批量归一化层、金字塔卷积层和激活函数层；每个所述金字塔卷积层包括多种不同大小的卷积核。

6.根据权利要求5所述的一种视网膜血管图像分割方法，其特征在于，所述金字塔卷积层中的每个卷积核具有不同的深度。

7.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，所述注意力机制层所采用的改进后的注意力机制公式表示为：其中， 表示第c个注意力机制层在第l个通道输出的i像素空间的注意力特征， 表示第c个池化层在第l个通道输出的i像素空间的池化特征； 为第c个注意力机制层的注意力系数， Ω2表示Sigmoid激活函数， 表示第l个通道的注意力机制， 表示在第l个通道输出的i像素空间的输入特征图；gi表示i像素空间选通信号；bg表示第一偏置项；bΨ表示第二偏置项；

T

Ψ表示1×1卷积的权值参数向量；Ω1为Relu激活函数；注意力特征是由一组包含线性变换的参数Θatt得到，该参数包含 与 其中， 表示第一线性变换系数矩阵的第一输入转置矩阵， 表示第一线性变换系数矩阵的第二输入转置矩阵； 表示第二线性变换系数矩阵的第一输入转置矩阵， 表示第二线性变换系数矩阵的第二输入转置矩阵。

8.一种视网膜血管图像分割装置，其特征在于，所述装置包括：图像获取模块，用于获取视网膜血管图像；

图像处理模块，用于对获取的所述视网膜血管图像进行预处理；

图像输入模块，用于将预处理后的视网膜血管图像输入到训练完成的U‑Net网络中；

编码器模块，利用U‑Net网络中编码器的各残差金字塔卷积层与对应的池化层提取出视网膜血管图像在不同层级的卷积特征和池化特征；

跳跃连接模块，用于将每一层的卷积特征通过跳跃连接的方式传递至对应的注意力机制层；

注意力机制模块，用于从每一层的卷积特征中选择出视网膜血管图像目标区域的注意力特征；

特征连接模块，用于将最后一层的池化特征输入到U‑Net网络中解码器的第一个残差金字塔卷积层中，并利用上采样层输出采样特征；

解码器模块，用于利用U‑Net网络中解码器的各残差金字塔卷积层与对应的上采样层，将上采样层的采样特征与对应的注意力特征进行拼接，并传递至解码器的最后一个残差金字塔卷积层；

图像输出模块，用于将最后一个残差金字塔卷积层的的特征图经过一个1×1卷积，得到视网膜血管的分割结果。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～7任一所述方法的步骤。