1.一种基于血管特征的视网膜血管分割方法，其特征在于，所述方法包括：获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；

通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值；

运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域；

在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果。

2.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值，包括：通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；

将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；

将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；

将所述第二视网膜血管特征融入深度卷积智能模型的特征解码网络中，得到初始视网膜血管特征。

3.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域，包括：

根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；

将定位到的所述血管端点与标注的端点进行核查，得到血管断点；

分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。

4.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果，包括：通过所述损失函数迭代优化基于多尺度语义信息融合的深度卷积智能模型，得到视网膜血管特征的精确分割结果。

5.根据权利要求3所述的基于血管特征的视网膜血管分割方法，其特征在于，所述根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置，包括：通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；

通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。

6.根据权利要求3所述的基于血管特征的视网膜血管分割方法，其特征在于，所述分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域，包括：通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；

对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；

通过所述的血管厚度计算方法，计算血管厚度不一致率。

7.一种基于血管特征的视网膜血管分割计算机设备，其特征在于，包括：数据集处理模块，用于获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；

智能卷积模块，用于通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值；

血管计算模块，用于运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域；

结果分割模块，用于在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果。

8.根据权利要求7所述的基于血管特征的视网膜血管分割计算机设备，其特征在于，所述智能卷积模块包括初始特征单元，所述初始特征单元用于：通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；

将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；

将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；

将所述第二视网膜血管特征融入深度卷积智能模型的特征解码网络中，得到初始视网膜血管特征。

9.根据权利要求7所述的基于血管特征的视网膜血管分割计算机设备，其特征在于，所述血管计算模块包括断点厚度单元，所述断点厚度单元用于：根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；

将定位到的所述血管端点与标注的端点进行核查，得到血管断点；

分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。