1.基于U‑Net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预处理；

对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；

根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；

根据所述血管图像分割网络进行血管图像分割，并对所述血管图像分割的结果进行评价；

其中，所述血管图像分割网络中的卷积块由多尺度特征聚集块替换；所述多尺度特征聚集块的第一输入为多尺度高层特征，所述多尺度特征聚集块的第二输入为多尺度低层特征；所述血管图像分割网络通过MS‑CAM模块将所述多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合。

2.根据权利要求1所述的基于U‑Net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预处理，包括：提取所述血管分割数据集中RGB图像的绿色通道；

对所述绿色通道进行白化处理；

对所述白化处理后的图像进行自适应直方图均衡化处理；

对所述自适应直方图均衡化处理后的图像进行伽马变换处理。

3.根据权利要求1所述的基于U‑Net的血管图像分割方法，其特征在于，所述对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据，包括：对所述血管分割图像进行图像块裁剪操作，得到随机坐标；

将所述随机坐标作为中心点，裁剪得到48×48的图像块，并将所述图像块作为样本数据。

4.根据权利要求1所述的基于U‑Net的血管图像分割方法，其特征在于，所述根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络这一步骤中，所述血管图像分割网络的网络架构为U型架构，所述U型架构包括一个编码器和一个解码器；所述编码器包括四层结构；

所述多尺度特征聚集块用于：通过1×1卷积将输入数据分为左分支和右分支；

所述右分支的输入数据经过下采样处理后通过卷积操作进行特征提取，得到多尺度高层特征；

所述左分支的输入数据经过上采样处理后通过卷积操作进行特征提取，得到多尺度低层特征；

通过MS‑CAM特征融合模块将所述多尺度高层特征和所述多尺度低层特征进行处理，得到一个用于注意力操作的注意力权重；

根据所述注意力权重进行注意力操作得到编码器的输出。

5.根据权利要求4所述的基于U‑Net的血管图像分割方法，其特征在于，所述MS‑CAM模块在注意力操作的过程中将局部信息融入全局信息，通过使用点卷积作为局部通信信息整合器；

其中，所述局部通道信息的计算公式为：L(X)＝B(PWConv2(δ(B(PWConv1(X)))))其中，L(X)代表局部通道信息；B代表批量归一化；PWConv1表示通过1*1卷积将输入的特征X通道数减少为原先的 δ表示ReLU激活函数；PWConv2表示通过1x1卷积将通道数目恢复成与原输入通道数目相同。

6.根据权利要求5所述的基于U‑Net的血管图像分割方法，其特征在于，所述解码器包括四层结构；

所述解码器通过自适应特征融合模块来实现相邻层之间的融合。

7.根据权利要求1所述的基于U‑Net的血管图像分割方法，其特征在于，所述对所述血管图像分割的结果进行评价，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。

8.基于U‑Net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预处理；

第三模块，用于对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；

第四模块，用于根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；

第五模块，用于根据所述血管图像分割网络进行血管图像分割，并对所述血管图像分割的结果进行评价；

其中，所述血管图像分割网络中的卷积块由多尺度特征聚集块替换；所述多尺度特征聚集块的第一输入为多尺度高层特征，所述多尺度特征聚集块的第二输入为多尺度低层特征；所述血管图像分割网络通过MS‑CAM模块将所述多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合。

9.一种电子设备，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1‑7中任一项所述的方法。

10.一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1‑7中任一项所述的方法。