1.一种基于深度学习的青光眼诊断方法，其特征在于：包括以下步骤：步骤1）：建立模型1与模型2，其中，

所述模型1用于分析眼底图像，能够输出眼底图像中视盘视杯分割区域，模型1包括第一卷积模块、下采样模块、通道注意力机制处理模块、上采样模块、预测图输出模块和特征图输出模块；

所述模型2用于分析数据源，得出青光眼诊断结果，模型2包括第二卷积模块、残差模块、预测结果输出模块；

步骤2）：将输入的原始眼底图像数据集进行预处理，并得到模型1可识别利用的图像数据；

步骤3）：训练模型1，使模型1达到根据眼底图像能够准确分割视盘视杯区域并输出展现视盘视杯分割的关键特征图像；

步骤4）：提取模型1在处理眼底图像的过程中关键特征图像，作为模型2的输入参数，并将需要输入模型2中的图像数据进行预处理，转换为统一格式的数据；

步骤5）：模型2接收模型1输入数据后，进行模型2的训练，然后输出目标结果，所述目标结果为：青光眼或者非青光眼；

模型1  中，第一卷积模块包括1个卷积核为3步长为1的Conv2d卷积层，一个BatchNorm2d以及一个ReLU激活函数；第一卷积模块在接收可识别的眼底图像数据后，图像首先经过1个卷积核为3步长为1的Conv2d卷积层处理，然后进行BatchNorm2d批归一化处理来保证模型运行的稳定性，最后再经过ReLU激活函数处理；

下采样模块包括1个卷积核为2，步长为2的池化层；

通道注意力机制处理模块采用SE Attention注意力机制函数；

上采样模块使用插值函数，将眼底图像的原来特征的特征值规模扩充为原来两倍，扩大后的特征值根据Nearest原则进行插值；

预测图输出模块包括1个卷积核为1且步长为1的Conv2d卷积层以及Sigmoid的激活函数，预测图输出模块用于生成预测特征图的图像；

在模型1经过训练达到预期视盘视杯分割效果后，特征图输出模块输出展现视盘视杯分割的关键特征图像并由模型2使用。

2.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：步骤2）中，将输入的原始眼底图像进行预处理，包括对输入原始眼底图像的图像质量评估、图像均值化处理、图像尺寸调整以及图像格式转换，并最终得到图像大小512×512，格式为Tensor格式的图像数据。

3.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：步骤3）中，训练模型1采用Dice Loss作为损失函数，公式为：，

公式中，A表示预处理后眼底图像数据集中各眼底图像分别经过模型1输出的图像的集合，B表示预处理后眼底图像数据集中各眼底图像分别对应样本的目标图像的集合；采用标准随机梯度下降迭代优化算法SGD，作为模型1训练的优化函数。

4.如权利要求3所述的基于深度学习的青光眼诊断方法，其特征在于：训练模型1时，基于预处理后眼底图像数据集，并按精确率precision、召回率Recall、Dice系数、交并比IOU这4项指标，评估模型1对眼底图像分割效果，公式如下：，

，

，

，

其中，TP表示各眼底图像中被正确检测为正样本的像素数量；FP表示各眼底图像中被错误检测为正样本的像素数量；FN表示各眼底图像中被错误检测为负样本的像素数量；TN表示各眼底图像中被正确检测为负样本的像素数量。

5.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：步骤4）中，将需要输入模型2中的图像数据进行预处理，将图像数据转化为512大小的Tensor格式的二维数组。

6.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：模型2中，

第二卷积模块包括1个卷积核为3步长为1的Conv2d卷积层，一个BatchNorm2d以及一个ReLU激活函数；

残差模块用于拼接第二卷积模块的输出结果；

预测结果输出模块包括1个卷积核为1且步长为1的Conv2d卷积层以及Sigmoid的激活函数，预测图输出模块用于输出青光眼预测结果。

7.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：步骤5）中，训练模型2采用BCE Loss作为损失函数，公式为：，

其中， 代表第n个样本所对应的预测结果， 代表第n个样本所对应的目标结果，代表常数系数。

8.如权利要求7所述的基于深度学习的青光眼诊断方法，其特征在于：训练模型2时，基于预处理后眼底图像数据集，按精确率precision来评估模型2对青光眼诊断的效果，公式如下：，

其中，TP表示各样本中被正确检测为正样本的样本数量；FP表示各样本中被错误检测为正样本的样本数量。

9.如权利要求1所述的基于深度学习的青光眼诊断方法，其特征在于：将每个眼底图像中的眼底、血压、年龄、视野缺失的数值数据转化为特征图，并得到视盘视杯分割的关键特征图像。