1.一种非增殖性糖尿病视网膜病变分级模型训练方法，其特征在于，所述方法包括如下步骤：S1、获取若干数据集，并将所述若干数据集分为训练集和测试集，每个所述数据集包括若干非增殖糖尿病性视网膜病变的眼底图像；

S2、对所述眼底图像进行眼底视盘定位和血管定位，生成眼底视盘区域和血管区域；

S3、根据所述眼底视盘区域和所述血管区域将所述眼底图像中的干扰信息去除，生成每个所述眼底图像的预处理病变图；

所述步骤S3具体包括如下步骤：

S31、在所述眼底视盘区域和所述血管区域的边缘上选择替换优先权最高的点a；以阴影区域Φ表示已知区域，也即未被眼底视盘和血管阻挡的正常眼底背景区域；Ω表示待匹配区域，即被眼底视盘和血管阻挡、等待替换为正常眼底背景区域的阻挡区域；δΩ为待匹配区域的边缘，即眼底视盘、血管与正常眼底背景的交界边缘；

在上述边缘中计算各位置的优先权，得到优先权最高的点a；

，

；

其中，C(a)是置信度项，表示目标 内占比在Φ区域内的可信像素， 表示 的面积，C(a)越大，优先权越高；使用上述公式得到的点a即为以其为中心构造的模板块 中正常眼底背景区域占比最大的一点；

S32、搜索与所述点a为中心的待替换区域匹配程度最高的最佳匹配块，使用所述最佳匹配块覆盖所述待替换区域；搜索匹配公式具体为：；

其中， 为搜索匹配得到的最佳匹配块， 为待替换区域， 为搜索过程中的样本块，所述d(.)表示目标块 和样本块 中相对应且已知像素颜色差的平方和；定义如下：；

I，I’分别对应 和 中的像素点；

S33、重复上述步骤，直到所述眼底视盘区域和所述血管区域被全部替换，得到所述预处理病变图；

S4、建立Resnet50神经网络，使用所述训练集和所述测试集的预处理病变图对所述神经网络进行训练。

2.如权利要求1所述的一种非增殖性糖尿病视网膜病变分级模型训练方法，其特征在于，所述眼底视盘定位具体为：使用Hough空间变换和Canny边缘检测对所述眼底图像定位，得到所述眼底视盘定位区域；

所述血管定位具体为：使用形态学运算对所述眼底图像定位，得到所述血管区域。

3.如权利要求1所述的一种非增殖性糖尿病视网膜病变分级模型训练方法，其特征在于，所述Resnet50神经网络具体包括依次连接的数据输入层、第一卷积层、最大池化层、第二卷积层、自注意力模块、全局平均池化层、全连接层。

4.如权利要求1所述的一种非增殖性糖尿病视网膜病变分级模型训练方法，其特征在于，所述训练集和所述测试集的比例为7:3。

5.如权利要求1所述的一种非增殖性糖尿病视网膜病变分级模型训练方法，其特征在于，所述步骤S4之前还包括步骤S40：对所述预处理病变图进行数据增强，使每种病变分类的所述预处理病变图数量相同。

6.一种非增殖性糖尿病视网膜病变分级方法，其特征在于，使用如权利要求1‑5任一项方法训练的模型，具体包括如下步骤：S1、对眼底图像进行眼底视盘定位和血管定位，生成眼底视盘区域和血管区域；

S2、根据所述眼底视盘区域和所述血管区域将所述眼底图像中的干扰信息去除，生成所述眼底图像的预处理病变图；

S3、使用所述模型预测所述预处理病变图的视网膜病变分级。

7.一种非增殖性糖尿病视网膜病变分级系统，其特征在于，包括：眼底视盘定位模块，用于对眼底图像进行眼底视盘定位，生成眼底视盘区域；

血管定位模块，用于对眼底图像进行血管定位，生成血管区域；

预处理模块，用于根据所述眼底视盘区域和所述血管区域将所述眼底图像中的干扰信息去除，生成所述眼底图像的预处理病变图；

如权利要求1‑5任一项方法训练的模型，用于对所述预处理病变图分级。