1.基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，包括以下步骤：

S1：将视网膜图像进行增强处理，视网膜图像的病变区域与周围正常区域会呈现出视觉上较为明显的不同特征，形成为不同图像区域，采用图像增强Gamma校正方法，对感兴趣的图像病变区域进行展宽，对不感兴趣的背景区域进行压缩；

S2：搭建网络模型U‑net，该网络模型U‑net分为压缩路径和扩展路径，共有4次下采样和4次上采样，每次采样前进行两次卷积和一次最大池化，压缩路径中用4次下采样对视网膜图像进行特征压缩，扩展路径对最后一次下采样得到的有效特征层进行4次上采样，同时把下采样中对应的特征层进行连接，最后使用1*1卷积将视网膜特征图Feature Map进行归一化，用增强后的图像数据对构建的模型进行训练，得到图像分割模型；

S3：将模型分割出来的血管图像进行模糊化处理，计算图像中属性的隶属度以及模糊信息增益，与真实诊断结果进行训练，得到模糊决策树分支节点的决策规则和叶子结点的结果集合，进行分类预测；

S4：对决策树各个节点进行编码，同时构造适应度函数，从准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，用树的叶节点个数M来反映复杂度，M越小则模型的复杂度越低，适应度函数s(T)定义如下：其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，基于遗传算法对多棵决策树进行组合优化；

S5：最后引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的权重图，进一步提升分类准确率；

所述步骤S4的具体步骤如下：

步骤S4.1：对上一步骤中训练的模糊决策树进行编码，转化为遗传算法可解的个体形式：规定根节点编号N0为1，当非根节点为左子节点时编号Nl＝2×Np，其中Np为父节点的编号，当非根节点为右子节点时编号Nr＝2×Np+1，得到各节点编号后，以节点自身的编号、左右子节点以及父节点的编号按顺序构造出一个四元组，作为该节点的编码Ncode，若无父节点或者无子节点则对应位置上码值为0，将树中各节点的编码进行连接，得到整棵树的矩阵编码；

步骤S4.2：从预测视网膜病变准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，即预测视网膜病变的准确率越高，复杂度由树的叶节点个数M来反映，M越小则模型的复杂度越低，因此适应度函数s(T)为：其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，根据构造的适应度函数，求出每个视网膜病变模糊树的适应度，即初始化种群群体；

步骤S4.3：根据每棵模糊树的适应度，利用轮盘赌方法，选出一对父代个体，每棵模糊树被选中的概率与其适应度值成比例，设个体总数为N，某一个体xi的适应度值表示为f(xi)，该个体被选中的概率为p(xi)，累积概率为q(xi)，对应的计算公式如下：累积概率q(xi)表示个体之前所有个体的选择概率之和，它相当于轮盘上转过的范围，范围越大越容易选到；

步骤S4.4：对父代个体随机选择一个交叉点k，以概率Pc进行交叉操作，生成新的个体，对新个体的每个基因，随机在[0,1]上产生一个变异概率Pm，进行变异；

步骤S4.5：重新计算新个体在环境中的适应度，与最优值进行比较，更新种群，当最大进化代数T＝150或者最优个体的适应度和群体适应度连续10代不再上升时，得到适应度最高的一代个体，即得到了最优的模糊决策树。

2.根据权利要求1所述的基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，所述步骤S2的具体步骤如下：步骤S2.1：将视网膜病变数据集按9∶1划分为训练集和验证集输入到训练网络中；

步骤S2.2：搭建网络模型U‑net的压缩路径，压缩路径对视网膜图像进行4次下采样，得到5个初步有效特征层，每个初步有效特征层为卷积和最大池化的堆叠，使用3*3的卷积核对输入大小为565*584的视网膜图像进行两次卷积操作，每次卷积舍弃图像的边缘信息，将卷积得到的561*580视网膜图像进行2*2最大池化，每次下采样将视网膜特征图Feature Map的通道数增加为原来的两倍；

步骤S2.3：搭建网络模型U‑net的扩展路径，扩展路径中包含4次上采样，每次上采样通过2*2反卷积将上一层中视网膜特征图Feature Map通道数缩小为一半，图像的长宽翻倍，同时上采样时会将下采样中对应的特征层进行连接，由于卷积时丢失图像边缘信息，因此连接时采用适当的裁剪来保证连接后图像大小一致，U‑net网络最后使用1*1卷积来将视网膜特征图Feature Map进行归一化；

步骤S2.4：损失函数使用交叉熵和SoftMax，对于视网膜病变图像每个像素点的类别，预测其属于病变区域和正常区域的概率分别为p和1‑p，像素点形式SoftMax函数为：其中：ak(x)表示像素点x在特征图中的第k层的激活值，K是类的数量，pk(x)是类k对像素点x的分类结果，交叉熵损失函数E定义为：

其中：Ω＝{1,...,K}，l(x)是每个像素点x的真实标签，pl(x)(x)是真实标签的分类结果，w(x)是像素点x的权重图，区分每个像素点的权重，其权重计算公式如下：其中：wc是用来平衡某一类频率的权重图，根据像素点x到视网膜病变边界距离由近到远进行排序，d1(x)表示排序第一的距离，d2(x)表示排序第二的距离，w0为权重初始值，其值为10，标准差σ设置为5；

步骤S2.5：用卷积神经网络框架Caffe的随机梯度下降对网络进行训练优化，以最小化损失函数和最大化预测准确率为目标，训练所搭建的模型。

3.根据权利要求1所述的基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，所述步骤S3的具体步骤如下：步骤S3.1：对视网膜血管的病变区域进行模糊化，尤其针对病变边缘区域，得到图像连续值属性的隶属度，模糊化后属性值是一个[0,1]区间的隶属度，更自然、合理的描述病变区域边缘的不精确信息；

步骤S3.2：计算视网膜病变区域属性的模糊信息增益，设A＝{(u,μA(u)),u∈U}是属性集U上隶属函数为μA(u)的模糊属性集合，高斯隶属函数μA(u)计算方式如式(5)，U＝{u1,u2,...,um}是属性的离散集合，m为属性的个数，且第i个属性的模糊度μi＝μA(ui)，则模糊集合A的模糊性度量E(A)为：其中：c为正态分布的均值，σ为正态分布的标准差，

选取具有最高模糊信息增益的属性作为根节点的属性；

步骤S3.3：根据父节点的属性和父节点所对应的训练集，以及该节点在父节点属性上的属性值，构造该节点所对应的模糊子类集Am，在模糊子类集Am上，依据要划分的目标类C＝{c1,c2,...,cm}，计算每个模糊子集的模糊信息增益；

步骤S3.4：计算节点Node中某目标类ci的置信度 根据规定的最大置

信水平β和最小置信水平α，判断是否生成叶子结点：

其中：An是模糊子类集Am中未使用过的属性集合，且n＜m，aj是属性集An中的第j个属性，j＝1,2,...,n，LeafNode表示叶子结点；

步骤S3.5：根据该节点扩展属性的属性值构造子节点，递归处理各个子节点。