1.一种基于隐式提示的多病变视网膜分割方法，其特征在于，包括以下步骤：

步骤1：对数据集进行三色彩空间融合后，进行模拟病变、数据增强和数据集划分操作；

步骤2：构建编码‑解码架构的分割网络，其中编码阶段使用残差结构取提取特征并改变特征的通道和尺寸，并通过隐式提示模块完成对输入病变图像提取特征并作用于解码阶段，同时对不同尺度的跳跃连接进行特征调制以实现由粗到细的特征融合；在解码阶段结合提示信息与跳跃连接实现对各种病变的可靠分割；

步骤3：针对步骤2中编码‑解码架构，使用dice_loss计算网络预测值y和标签y'的相似度，以评估网络的在验证集上分割效果；

步骤4：加载步骤1中的测试图像数据到网络中，快速测试完成图像分割。

2.根据权利要求1所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：步骤

1中所述模拟病变、数据增强和数据集划分操作包括：随机在图像中添加阴影与光斑模拟病变，进一步通过翻转、旋转进行数据增强，并对增强的图像划分patch来增加训练集数量，并划分训练集、验证集和测试集的比例为8:1:1。

3.根据权利要求1或2所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述对数据集进行三色彩空间融合包括，通过对RGB图像转换到YCrCb、YUV、LAB空间，并从中随机选取一个空间分量结合RGB空间的一个分量实现对色彩空间融合，各个分量进行加权平均的算法，其表达式为：m n k

FBlend＝α×T1(M) +β×T2(M) +γ×M

其中M为输入的特征，m,n,k∈[1,2,3]是对应色彩空间的分量索引，α+β+γ＝1，T1,T2是m k色彩空间的变换操作，T(M) 从中选取索引为m的色彩空间的一个分量，M表示RGB空间的索引为k的分量，FBlend表示融合后的特征。

4.根据权利要求1或2所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述模拟病变具体包括：随机生成条状和/或圆形病变区域，结合高斯模型平滑区域边缘，将高斯核函数应用于病变区域的每个像素，并取其周围像素的加权平均值，即可得到边缘模糊后的图像，其表达式如下：其中，RLesion表示病变区域，(x,y)是图像上的像素坐标，(i,j)是高斯核的中心像素坐标，Fblur(x,y)表示病变边缘模糊后的图像；

其中(m,n)是距离核中心的偏移量，σ是高斯核的标准差。

5.根据权利要求2所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述对增强的图像划分patch包括，对训练集进行随机的提取patch和测试集顺序提取patch图，其具体为：针对训练集，设定patch图的宽度大小patch_w和高度大小patch_h，随机地选取像素点作为patch的中心，该像素点的坐标需满足如下条件：其中，x为横坐标，y为纵坐标，img_w是原图的宽度大小，img_h是原图的高度大小，最后，以该像素点为中心，从原图中截取宽度为patch_w，高度为patch_h的训练图patch；

针对测试集，设定patch_w和patch_h，然后判断原图的大小是否和设定的patch图的大小成比例关系，如果没有，则对原图进行像素填充，最后，以输入原图的左上角为起点，按照“从上到下从左到右”原则循环提取patch图。

6.根据权利要求1所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述编码阶段中，每个阶段均由两个3×3卷积模块进行特征提取，并将其选入跳跃连接，步长为

2的下采样操作跟在卷积之后，在每次下采样之后，特征图尺寸的大小减少一倍，特征通道的数量增加一倍；隐式提示模块在中尺寸的特征以最大池化实现尺度的统一，同时在通道上堆叠，然后经过压缩操作将其压缩为一维权重向量，通过对特定退化提示向量进行加权实现自学习的隐式提示，表示为：其中PMax表示最大池化，PGAP表示全局平均池化，||表示特征通道堆叠，F表示输入特征，表示全连接，σ表示Sigmoid激活函数，表示FS，通过通道shuffle加强通道间的交互，并通过全局平均池化将每个像素空间特征值编码为全局特征实现展平，进一步的使用全连接降维度到隐式信息的通道数目，Fw表示编码特征得到权重特征，X表示输入FS的特征；

进一步通过对特定退化提示向量进行加权实现自学习的隐式提示，表示为：

Iprompt＝Fw·Fprompt

Iprompt表示由权重特征加权后的提示特征，Fprompt表示自学习的表征病变的提示特征；

同时由于多尺度跳跃连接的尺度差异过大，调制模块使用临近尺寸的跳跃连接进行自底而上的调制，实现由粗到细的特征融合以避免编码浅层特征的病变信息过度影响分割结果，表示为：其中 表示大尺寸的跳跃连接特征，是由卷积获得的缩放因子，λ是由卷积获得平移因子，来自于Ghost‑Subpixel特征 计算方式如下：Conv1、Conv2分别表示不共享权重的卷积操作，特征 来自于下一层的跳跃连接，其中 表示通道数为2C的跳跃连接特征，G表示Ghost线性映射， 表示对特征进行Ghost线性映射后的特征，UP[X,k]表示将输入X通过亚像素上采样k倍，k为上采样倍数，此处k为2。

7.根据权利要求1所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述解码阶段添加了提示结合模块，通过通道拆分实现分组减少参数的同时生成掩码，表示为：其中M为输入特征，Convk表示卷积核为k×k的卷积操作，M1,M2为拆分通道后子特征，Split表示通道拆分操作，Mask表示由M2卷积得到的掩码；

随后动态融合提示信息和掩码后再将通道复原到原通道数目，结合3×3的卷积进一步整合提示与上下文信息，表示为：其中||表示特征通道堆叠，Convk表示卷积核为k×k的卷积操作，Iprompt表示由权重特征加权后的提示特征，最后在解码结束后将通道调整为单通道的输出，进而与标签进行损失计算。

8.根据权利要求1所述一种基于隐式提示的多病变视网膜分割方法，其特征在于：所述dice_loss计算网络预测值y和标签y'的相似度，公式表达式为：其中y∩y'表示预测值y和标签y'之间的交集，其通常近似为标签和预测值之间的点乘y·y'，|y|+|y'|表示的是逐元素相加和，ε是极小值，避免分母为0。

9.一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的基于隐式提示的多病变视网膜分割方法的步骤。

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8任一项所述的基于隐式提示的多病变视网膜分割方法的步骤。