1.基于双侧对比差异信息的颅内大血管堵塞识别的分类方法，其特征在于，包括步骤：S1、采集数据图像并进行最大密度投影操作，将原始影像格式数据转换为图像格式数据，以便后续使用；

S2、预处理图像，先矫正输入图像，然后将输入图像划分为左半脑图像Xleft和右半脑图像Xright，然后对Xright图像进行水平翻转得到Xr‑flip；

S3、将左半脑图像、右半脑图像分别送入主体网络提取对应半脑的图像特征FMleft、FMr‑flip；

输入的图像Xleft、Xr‑flip会首先经过同一个主干网络去提取同样式的低级特征Fleft、Fr‑flip，然后Fleft、Fr‑flip会分别经过各自半脑独有的注意力卷积分支去获得高级语义特征FMleft、FMr‑flip；

其中，注意力卷积分支是由多个注意力卷积块组成，能在空间以及通道维度上完成注意力的加持；

注意力卷积分支为：

对于输入的卷积特征Finput，它将在通道以及空间位置上完成加权操作后得到输出特征Fout，在通道加权方面，Finput首先会在宽高维度进行全局最大池化与全局平均池化操作得到FMP与FAP，然后FMP与FAP在经过MLP结构后会完成对应位置值加和操作，最后在Sigmoid激活函数的作用下生成最终的通道权重Wcha，用公式描述为：Wcha＝σ(MLP(AvgPool(Finput))+MLP(MaxPool(Finput)))其中，σ(·)为Sigmoid激活函数，MLP为多层感知机结构；

对于空间信息的加权，Finput也会先使用最大池化与平均池化操作，不过是在通道方向上进行，这样会得到与Finput同等宽高但通道为1的特征 与 然后这两个特征会在拼接和卷积，卷积操作后由Sigmoid激活函数生成空间权重Wspa，用公式描述为：Wspa＝σ(conv(concat[AvgPool(Finput),MaxPool(Finput)]))其中，conv为3×3卷积操作，concat为拼接操作，σ(·)为Sigmoid激活函数；

S4、将获取的FMleft、FMr‑flip送入对称信息处理模块，获取分类损失首先将两侧半脑的特征信息进行wise‑subtract操作，得到差异特征Fu，然后将差异特征Fu送入连续的卷积层进行信息提取，接着实施按batchsize维度展平，最后送入全连接层完成分类的操作，得到分类损失 分类的损失函数为交叉熵损失函数；

用公式语言描述为：

其中，Conv(·)表示连续的卷积操作，View(·)表示展平操作，FC表示全连接层，在得到Ff之后还需要进行Softmax操作才能获取最后的各类别预测概率，最终所用的分类损失函数 为交叉熵损失函数，公式表达为：其中，N表示样本数量，M表示分类类别数，yic如果样本i的真实类别等于c取1，否则取0，pic表示观察样本i属于类别c的预测概率；

S5、将获取的FMleft、FMr‑flip送入深度监督模块，获取对比损失S6、利用 和 更新模型，直至效果收敛。

2.根据权利要求1所述的基于双侧对比差异信息的颅内大血管堵塞识别的分类方法，其特征在于：步骤S1中，从工作站中拷取原始剪影数据，然后借助最大密度投影技术从切片堆叠方向进行投影获得MIP投影图，并进行分类标签标注。

3.根据权利要求1所述的基于双侧对比差异信息的颅内大血管堵塞识别的分类方法，其特征在于：步骤S2中，首先借助阈值化来进行脑部最大轮廓的提取，然后利用该轮廓掩膜获取脑部区域的最小外接矩形框，之后使用透视变换完成脑部区域图像的矫正，最后采取从中线切分的手段获取左半脑图像Xleft和右半脑图像Xright，并对Xright图像进行水平翻转得到Xr‑flip。

4.根据权利要求1所述的基于双侧对比差异信息的颅内大血管堵塞识别的分类方法，其特征在于：步骤S5中，对输入样本的半脑设置半脑标签，0表示该半脑正常，1表示该半脑中动脉堵塞，2表示该半脑颈部动脉堵塞，之后根据设置的标签再利用有监督的对比损失函数完成深度监督的功能，得到对比损失 用公式描述为：式中，N表示样本数量， 表示样本中半脑标签为yi的数量， 表示找寻除自

身外并与之半脑标签相同的样本，如果满足，那么 为1，反之为0；si，j为余弦相似度函数，用来衡量两个特征的相似程度， 表示样本k与样本i属于不同的半脑标签，t为温度系数，是个标量，用于控制模型对样本的区分程度，将其设置为0.5。

5.根据权利要求1所述的基于双侧对比差异信息的颅内大血管堵塞识别的分类方法，其特征在于：步骤S6中，最终的损失函数为： 其中，α、β分别为分类损失模块和深度监督模块的损失的比例权重，α设置为15，β设置为1。