1.注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，包括步骤：

S1、采集一定数量的AIS病人的多模态CTP和MRI图像；

S2、将原始CTP序列转换为伪RGB图像，在转换前清除图像周边病人隐私信息，并将各项参数保存为单独图像，并对标签数据进行配准，之后再扩充原数据集，进行离线数据增强，获得训练集；

S3、构建注意力机制下对CTP进行特征融合的AIS病灶预测模型；

注意力机制下对CTP进行特征融合的AIS病灶预测模型包括4个编码器模块、2个WMHCA特征融合模块、2个解码器模块、1个分割预测模块和1个分割优化模块；

4个编码器对应CTP的4种不同模态数据，编码器之后接WMHCA特征融合模块，特征融合模块需要将两个编码器的特征融合起来，并送入解码器；解码器通过上采样和跳跃连接，来逐步恢复细节信息；两个解码器结果输入分割预测模块，生成初步预测结果，并送入分割优化模块；分割优化模块输出通过优化后的最终预测结果；

WMHCA特征融合模块含有2个输入端和1个输出端，内部共3条支路，支路1、2的输入分别是WMHCA特征融合模块的两个输入端输入，支路3的输入是WMHCA特征融合模块的两个输入端输入的按像素相交结果；

3条支路的输入连接1个1×1卷积，1×1卷积的输出连接unfold单元的输入，unfold单元的输出连接Flatten层的输入；

支路1的Flatten层的输出连接Permute层的输入，Permute层的输出与支路2的unfold单元的输出进行矩阵乘法；

矩阵乘法后的输出连接SE Block模块的输入，SE Block模块的输出连接Softmax层的输入，Softmax层的输出与支路3的unfold单元的输出进行第二次矩阵乘法；第二次矩阵乘法的输出经过Fold层和Concat层后恢复为WMHCA特征融合模块的输入端的输入数据的数据形式，最后与支路3的输入进行按像素相加，并将结果连接WMHCA特征融合模块的输出端；

S4、将步骤S2中预处理后的训练集输入步骤S3构建的注意力机制下对CTP进行特征融合的AIS病灶预测模型中进行训练，用骰子和交叉熵混合损失函数进行反向传播更新网络参数，并通过自适应矩估计优化模型，得到训练好的注意力机制下对CTP进行特征融合的AIS病灶预测模型；

S5、将待分割预测的急性缺血性脑卒中的多模态CTP图像送入到步骤S4所得到的训练好的注意力机制下对CTP进行特征融合的AIS病灶预测模型中进行分割，得到该数据的多模态CTP图像的分割预测结果。

2.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，步骤S2中，原数据集的扩充方法包括平移、旋转、位移。

3.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，编码器模块的每个阶段皆由2个3×3卷积单元、1个1×1卷积单元和1个最大池化层单元组成；上一个阶段的输出端作为下一个阶段的输入端连接第一个3×3卷积单元的输入端，第一个3×3卷积单元的输出端连接第二个3×3卷积单元的输入端，第二个3×3卷积单元的输出端连接最大池化层单元的输入端，最大池化层单元的输出端连接1×1卷积单元的输入端，1×1卷积单元的输出端作为编码器模块的输出端；

对于每个3×3卷积单元：所有层依次串联，3×3卷积的输入端形成3×3卷积单元的输入端，3×3卷积单元的输出端形成归一化层的输入端，批一化层的输出端形成ReLU激活函数的输入端，ReLU激活函数的输出端形成3×3卷积单元的输出端。

4.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，解码器模块的每个阶段皆由2个3×3卷积单元、1个信道交叉注意力单元和1个反卷积层单元组成；

上一个阶段的输出与编码器器同阶段的输出共同作为下一个阶段的CCA单元的输入，CCA单元的输出与上一阶段的输出又同时作为下一阶段的输入；

一个阶段的输入端连接第一个3×3卷积单元的输入端，第一个3×3卷积单元的输出端连接第二个3×3卷积单元的输入端，第二个3×3卷积单元的输出端连接反卷积层单元的输入端，反卷积层单元的输出作为本阶段的输出。

5.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，分割预测模块含有1个1×1卷积单元和1个Sigmoid层单元组成；2个解码器模块的输出端，作为分割预测模块的输入端；分割预测模块的输入端作为1×1卷积单元的输入端，

1×1卷积单元的输出端作为Sigmoid层单元的输入端。

6.根据权利要求5所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，分割优化模块含有Network模块和RefineNet模块；Network模块含有之前的全部模块，4个编码器的输入端共同作为Network模块的输入端，分割预测模块的输出端作为Network模块的输出端；Network模块的输出需要计算不确定度，以二分类为例，不确定度计算公式为：Y＝abs(Seg1‑0.5)

Seg1是Network模块的输出，Y是不确定度；

由不确定度，找到Network模块的输出中，不确定度最高的区域，并在Network模块的输入中找到相对应的区域；将该区域再次输入Network模块，得到第二次分割结果；第二次分割结果和第一次分割结果共同作为RefineNet模块的输入；RefineNet模块含有2个3×3卷积单元、1个1×1卷积单元和2个Residual block单元；RefineNet模块的输入端作为第一个

3×3卷积单元的输入端，第一个3×3卷积单元的输出端连接第二个3×3卷积单元的输入端，第二个3×3卷积单元的输出端连接第一个Residual block单元的输入端，第一个Residual block单元的输出端连接第二个Residual block单元的输入端，第二个Residual block单元的输出端连接1×1卷积单元的输入端；1×1卷积单元的输出端作为RefineNet模块的输出端，RefineNet模块的输出端作为注意力机制下对CTP进行特征融合的AIS病灶预测模型的输出端。