1.基于深度学习的血管图像分割方法，其特征在于，包括：获取血管分割数据集；

对所述血管分割数据集进行数据扩充处理，得到待处理血管图像；

对所述待处理血管图像进行预处理，得到训练数据集；

根据所述训练数据集，通过UNET网络构建血管分割模型；

根据所述血管分割模型确定血管分割结果的评价结果，所述评价结果用于确定所述血管分割结果中预测正确的对象和预测错误的对象；

其中，所述UNET网络包括编码器和解码器，所述编码器采用VGG16编码器；所述VGG16编码器包括反卷积模块，所述反卷积模块用于实现所述UNET网络的上采样步骤；所述解码器采用空间注意力机制和通道注意力机制实现所述UNET网络的解码步骤。

2.根据权利要求1所述的基于深度学习的血管图像分割方法，其特征在于，所述对所述血管分割数据集进行数据扩充处理，得到待处理血管图像，包括：对所述血管分割数据集中的图像数据进行镜像操作和/或旋转操作，得到所述待处理血管图像；

其中，所述镜像操作包括一次水平镜像操作。

3.根据权利要求1所述的基于深度学习的血管图像分割方法，其特征在于，所述对所述待处理血管图像进行预处理，得到训练数据集，包括以下至少之一：对所述待处理血管图像进行白化处理，去除所述待处理血管图像中外部环境亮度影响因素以及物体反射影响因素；

对所述待处理血管图像进行自适应直方图均衡化处理，提高所述待处理血管图像中的对比度；

对所述待处理血管图像进行伽马变换处理，使处理后的血管图像的灰度值与处理前图像的灰度值之间呈现非线性指数关系；

对所述待处理血管图像进行尺度调整。

4.根据权利要求1所述的基于深度学习的血管图像分割方法，其特征在于，所述UNET网络的编码器包括五层结构，其中，编码器的第一层结构包括两个卷积层和一个池化层，编码器的第二层结构包括两个卷积层和一个池化层，编码器的第三层结构包括三个卷积层和一个池化层，编码器的第四层结构包括三个卷积层和一个池化层，编码器的第五层结构包括三个卷积层和一个池化层；

所述编码器的第一层结构用于进行批量归一化处理和Relu激活处理，得到最大池化结果。

5.根据权利要求1所述的基于深度学习的血管图像分割方法，其特征在于，所述UNET网络的解码器包括五层结构，其中，解码器的第一层结构包括一个卷积层和一个反卷积单元，所述反卷积单元的输出内容输入至通道注意力机制和空间注意力机制中；

所述反卷积单元包括一个卷积层和一个反卷积层；

所述空间注意力机制用于接收来自跳跃连接的第一特征以及来自反卷积模块处理后的第二特征，将所述第一特征和所述第二特征进行卷积处理后得到的两个张量的元素相加，并对相加的结果再进行卷积，得到权重矩阵，最后将所述权重矩阵与所述第二特征相乘，得到目标特征；

所述通道注意力机制用于接收第一特征图，并对所述第一特征图进行全局平均池化处理得到目标通道，根据所述目标通道得到权重系数，将所述第一特征图与所述权重系数相乘得到目标特征图。

6.根据权利要求1所述的基于深度学习的血管图像分割方法，其特征在于，所述根据所述血管分割模型确定血管分割结果的评价结果，包括：获取样本标注图像的目标对象的第一像素点，获取预测分割图像的目标对象的第二像素点；

根据所述第一像素点和所述第二像素点计算得到重叠度评价指标；

获取预测分割图像中正样本预测为真的目标对象的第三像素点，获取预测分割图像中负样本预测为真的目标对象的第四像素点，获取正样本预测为假的目标对象的第五像素点；

根据所述第三像素点和所述第四像素点计算得到精密度评价指标；

根据所述第三像素点和所述第五像素点计算得到查全率评价指标；

根据所述精密度评价指标和所述查全率评价指标，计算得到均值评价指标。

7.基于深度学习的血管图像分割装置，其特征在于，包括：第一模块，用于获取血管分割数据集；

第二模块，用于对所述血管分割数据集进行数据扩充处理，得到待处理血管图像；

第三模块，用于对所述待处理血管图像进行预处理，得到训练数据集；

第四模块，用于根据所述训练数据集，通过UNET网络构建血管分割模型；

第五模块，用于根据所述血管分割模型确定血管分割结果的评价结果，所述评价结果用于确定所述血管分割结果中预测正确的对象和预测错误的对象；

其中，所述UNET网络包括编码器和解码器，所述编码器采用VGG16编码器；所述VGG16编码器包括反卷积模块，所述反卷积模块用于实现所述UNET网络的上采样步骤；所述解码器采用空间注意力机制和通道注意力机制实现所述UNET网络的解码步骤。

8.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1‑6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1‑6中任一项所述的方法。