1.一种视网膜病变细粒度分级方法，其特征在于，所述视网膜病变细粒度分级方法，包括：获取待分级的视网膜图像，采用第一密集连接神经网络提取全局特征；

将全局特征输入到注意力提取网络进行注意力特征提取，获取注意力特征图；

使用信息量提取函数提取注意力特征图每一个通道的信息量，对所有通道的信息量进行排序，选取信息量前K的通道得到局部通道特征图；

对局部通道特征图进行随机丢弃处理，将随机丢弃处理后的局部通道特征图进行二值化处理，并根据二值化处理结果选取待分级的视网膜图像中的局部区域；

对所述局部区域采用第二密集连接神经网络提取局部特征；

将所述全局特征和局部特征进行特征融合，输入全连接层得到分级结果；

所述视网膜病变细粒度分级方法，还包括：

训练视网膜病变细粒度分级网络；

所述视网膜病变细粒度分级网络，包括：

第一密集连接神经网络，用于提取全局特征；

注意力提取网络，用于进行注意力特征提取，获取注意力特征图；

多通道注意力选择网络，用于使用信息量提取函数提取注意力特征图每一个通道的信息量，对所有通道的信息量进行排序，选取信息量前K的通道得到局部通道特征图；对局部通道特征图进行随机丢弃处理，将随机丢弃处理后的局部通道特征图进行二值化处理，并根据二值化处理结果选取待分级的视网膜图像中的局部区域；

第二密集连接神经网络，用于对所述局部区域采用第二密集连接神经网络提取局部特征；

特征融合网络，用于将所述全局特征和局部特征进行特征融合；

全连接层，用于对特征融合后的融合特征进行分级，得到分级结果；

其中，所述视网膜病变细粒度分级网络的目标函数为：

其中，α和β是超参数， 为局部特征和全局特征各自的分类损失之和， 为局部特征和全局特征融合之后的分类损失， 为排序损失；

其中，loss为交叉熵损失，fc是置信度函数，Fi′为第i个局部特征，classi为Fi′的标签值，F为全局特征，class为F的标签值，f为铰链损失函数，S′j、S′i为局部通道特征图中通道特征对应的信息量，i,j∈K，Ci为第i个局部特征的分类置信度，Cj为第j个局部特征的分类置信度，C0是全局特征的分类置信度。

2.根据权利要求1所述的视网膜病变细粒度分级方法，其特征在于，所述信息量提取函数为：T(A)＝Sigmoid(MLP(Maxpool(A))+MLP(Maxpool(A)))其中Sigmoid为激活操作，A为注意力特征图，Maxpool表示全局最大池化操作，Avgpool表示全局平均池化操作，MLP表示多层感知机操作。

3.一种视网膜病变细粒度分级装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求2中任意一项所述方法的步骤。