一种基于雾计算的脑卒中初步诊断评估系统

技术领域

本发明属于脑卒中初步诊断评估技术领域，尤其涉及一种基于雾计算的脑卒中初步诊断评估系统。

背景技术

“脑卒中”(cerebral stroke)又称“中风”、“脑血管意外”(cerebralvascularaccident，CVA)。是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60％～70％。颈内动脉和椎动脉闭塞和狭窄可引起缺血性脑卒中，年龄多在40岁以上，男性较女性多，严重者可引起死亡。出血性卒中的死亡率较高。不同类型的脑卒中，其治疗方式不同。由于一直缺乏有效的治疗手段，认为预防是最好的措施，其中高血压是导致脑卒中的重要可控危险因素，因此，降压治疗对预防卒中发病和复发尤为重要。应加强对全民普及脑卒中危险因素及先兆症状的教育，才能真正防治脑卒中；然而，现有基于雾计算的脑卒中初步诊断评估系统不能对脑血管堵塞进行准确识别；同时，对脑图像分割不准确。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于雾计算的脑卒中初步诊断评估系统不能对脑血管堵塞进行准确识别。

(2)对脑图像分割不准确。

发明内容

针对现有技术存在的问题，本发明提供了一种基于雾计算的脑卒中初步诊断评估系统。

本发明是这样实现的，一种基于雾计算的脑卒中初步诊断评估系统包括：

脑电波检测模块、血压检测模块、脑图像采集模块、中央控制模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块；

脑电波检测模块，与中央控制模块连接，用于检测患者脑电波数据；

血压检测模块，与中央控制模块连接，用于检测患者血压数据；

脑图像采集模块，与中央控制模块连接，用于采集患者脑CT图像数据；

中央控制模块，与脑电波检测模块、血压检测模块、脑图像采集模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块连接，用于控制各个模块正常工作；

血管堵塞识别模块，与中央控制模块连接，用于对脑血管堵塞进行识别；

图像分割模块，与中央控制模块连接，用于对脑CT图像进行分割；

诊断模块，与中央控制模块连接，用于根据脑电波、血压、脑图像对脑卒中进行诊断；

评估模块，与中央控制模块连接，用于对患者脑卒中进行评估；

显示模块，与中央控制模块连接，用于显示脑电波、血压、脑图像、识别结果、诊断结果、评估结果。

进一步，所述脑图像采集模块采集患者脑CT图像数据并进行图像增强，具体如下：

1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；

2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；

每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：

Q1＝abs(Gray(i，j)－Gray(i+1，j))；

第一灰阶值权重k1的计算公式为：

其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255， n为大于1的正整数；

依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：

其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；

3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；

每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：

Q2＝abs(Gray(i，j)－Gray(i，j+1))；

第二灰阶值权重k2的计算公式为：

其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255， n为大于1的正整数且与步骤2)中的取值相同；

依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：

其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；

4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；

C(X)＝C1(X)+C3(X)；

5)、最大值归一化，计算公式为：

再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。

进一步，所述血管堵塞识别模块识别方法如下：

1)配置CT设备参数，通过CT设备获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集；对CT影像进行增强处理；

2)对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像；

3)依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型。

进一步，所述获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集，包括如下步骤：

获取大脑的标准CT影像；

依据所述标准CT影像进行血管造影，分别汇总得到第一阶段血管造影影像集、第二阶段血管造影影像集以及第三阶段血管造影影像集，其中，所述第一阶段血管造影影像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影影像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影影像集是在晚期静脉期从颅底到顶点采集所得。

进一步，所述对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像，包括如下步骤：

将多个阶段的血管造影影像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影影像集；

采用血管分割算法对多个阶段的所述预处理血管造影影像集进行影像分割处理；

对经过影像分割处理后的所述预处理血管造影影像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影影像、第二阶段二维最大强度投影影像以及第三阶段二维最大强度投影影像。

进一步，所述将多个阶段的血管造影影像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影影像集，包括如下步骤：

分别将所述第一阶段血管造影影像集、所述第二阶段血管造影影像集以及所述第三阶段血管造影影像集三者从医学数字成像和通信格式转换为NumPy数组格式，并执行各向同性采样以将每个体素标准化为1mm3的体积，每个轴向的血管造影影像均都被调整至500×500像素、转换为灰度并归一化为0到1之间的值，分别得到第一阶段预处理血管造影影像集、第二阶段预处理血管造影影像集以及第三阶段预处理血管造影影像集。

进一步，所述依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型，包括如下步骤：

依据所述第一阶段二维最大强度投影影像、所述第二阶段二维最大强度投影影像以及所述第三阶段二维最大强度投影影像，按排列组合创建得到全部七组模型训练集；

使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型；

所述对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型，包括如下步骤：

使用统计软件在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型，所述脑血管堵塞识别模型的输出形式为诊断结果为正及诊断结果为负。

进一步，所述图像分割模块分割方法如下：

(1)构建脑图库；将采集的患者脑影像存入脑图库中，将大脑CT影像刚体配准至标准空间；剔除颅骨，获得脑实质三维掩膜；通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据；对正中矢状面数据进行水平翻转，得到翻转后的对称影像，通过正中矢状面数据逐像素减去翻转后的对称影像的方式，得到大脑的左右侧对称参数图；

(2)对正中矢状面数据设置不同的窗宽窗位，得到多级窗宽窗位的影像数据；对正中矢状面数据进行手动标注，得到卷积神经网络的训练数据，以二维影像标注的方式标注出大脑实质区域的脑实质、脑脊液和卒中病灶，并得到每个二维影像是否存在卒中病灶的二值分类标签；

(3)构建分割卷积神经网络模型，将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型，以二维影像标注结果作为分割卷积神经网络模型的输出，得到训练好的分割模型；

(4)将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割，得到对应体素的脑实质、脑脊液和卒中病灶分割概率图，以及对应的二维影像是否存在卒中病灶的预测概率；根据预测概率的不同输出不同的分割结果。

进一步，所述根据预测概率的不同输出不同的分割结果具体包括：

当预测概率大于等于0.5时，将分割模型的卒中病灶分割概率图作为分割结果输出；

当预测概率小于0.5时，以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出。

进一步，所述通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据具体包括：

根据脑实质三维掩膜计算每层影像是脑实质体积，得到脑实质面积最大的影像层；

根据对应的脑实质三维掩膜得到非零像素的坐标矩阵；

计算横纵坐标均值向量机协方差矩阵；

根据协方差矩阵求解特征方程，得到特征值分别为拟合椭圆的半长轴和半短轴；

根据特征值计算椭圆长短轴特征向量；

通过反三角函数计算旋转角，根据非零像素坐标矩阵定位拟合椭圆长轴坐标；

通过长轴坐标和旋转角对三维影像进行旋转得到正中矢状面数据；

设置不同的窗宽窗位具体包括：分别采用(30，60)、(40，80)、(50,100)作为窗宽和窗位。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过血管堵塞识别模块实现了对脑血管堵塞的有效识别，进而为后续的手术或医疗流程提供了技术支持；同时，通过图像分割模块结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明通过血管堵塞识别模块实现了对脑血管堵塞的有效识别，进而为后续的手术或医疗流程提供了技术支持；同时，通过图像分割模块结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。

附图说明

图1是本发明实施例提供的基于雾计算的脑卒中初步诊断评估系统结构框图。

图2是本发明实施例提供的血管堵塞识别模块识别方法流程图。

图3是本发明实施例提供的图像分割模块分割方法流程图。

图1中：1、脑电波检测模块；2、血压检测模块；3、脑图像采集模块；4、中央控制模块；5、血管堵塞识别模块；6、图像分割模块；7、诊断模块；8、评估模块；9、显示模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明实施例提供的基于雾计算的脑卒中初步诊断评估系统包括：脑电波检测模块1、血压检测模块2、脑图像采集模块3、中央控制模块4、血管堵塞识别模块5、图像分割模块6、诊断模块7、评估模块8、显示模块 9。

脑电波检测模块1，与中央控制模块4连接，用于检测患者脑电波数据；

血压检测模块2，与中央控制模块4连接，用于检测患者血压数据；

脑图像采集模块3，与中央控制模块4连接，用于采集患者脑CT图像数据；

中央控制模块4，与脑电波检测模块1、血压检测模块2、脑图像采集模块 3、血管堵塞识别模块5、图像分割模块6、诊断模块7、评估模块8、显示模块9 连接，用于控制各个模块正常工作；

血管堵塞识别模块5，与中央控制模块4连接，用于对脑血管堵塞进行识别；

图像分割模块6，与中央控制模块4连接，用于对脑CT图像进行分割；

诊断模块7，与中央控制模块4连接，用于根据脑电波、血压、脑图像对脑卒中进行诊断；

评估模块8，与中央控制模块4连接，用于对患者脑卒中进行评估；

显示模块9，与中央控制模块4连接，用于显示脑电波、血压、脑图像、识别结果、诊断结果、评估结果。

所述脑图像采集模块采集患者脑CT图像数据并进行图像增强，具体如下：

1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；

2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；

每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：

Q1＝abs(Gray(i，j)－Gray(i+1，j))；

第一灰阶值权重k1的计算公式为：

其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255n，为大于1的正整数；

依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：

其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；

3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；

每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：

Q2＝abs(Gray(i，j)－Gray(i，j+1))；

第二灰阶值权重k2的计算公式为：

其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255， n为大于1的正整数且与步骤2)中的取值相同；

依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：

其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；

4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；

C(X)＝C1(X)+C3(X)；

5)、最大值归一化，计算公式为：

再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。

如图2所示，本发明提供的血管堵塞识别模块5识别方法如下：

S101，配置CT设备参数，通过CT设备获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集；对CT影像进行增强处理；

S102，对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像；

S103，依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型。

本发明提供的获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集，包括如下步骤：

获取大脑的标准CT影像；

依据所述标准CT影像进行血管造影，分别汇总得到第一阶段血管造影影像集、第二阶段血管造影影像集以及第三阶段血管造影影像集，其中，所述第一阶段血管造影影像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影影像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影影像集是在晚期静脉期从颅底到顶点采集所得。

本发明提供的对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像，包括如下步骤：

将多个阶段的血管造影影像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影影像集；

采用血管分割算法对多个阶段的所述预处理血管造影影像集进行影像分割处理；

对经过影像分割处理后的所述预处理血管造影影像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影影像、第二阶段二维最大强度投影影像以及第三阶段二维最大强度投影影像。

本发明提供的将多个阶段的血管造影影像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影影像集，包括如下步骤：

分别将所述第一阶段血管造影影像集、所述第二阶段血管造影影像集以及所述第三阶段血管造影影像集三者从医学数字成像和通信格式转换为NumPy数组格式，并执行各向同性采样以将每个体素标准化为1mm3的体积，每个轴向的血管造影影像均都被调整至500×500像素、转换为灰度并归一化为0到1之间的值，分别得到第一阶段预处理血管造影影像集、第二阶段预处理血管造影影像集以及第三阶段预处理血管造影影像集。

本发明提供的依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型，包括如下步骤：

依据所述第一阶段二维最大强度投影影像、所述第二阶段二维最大强度投影影像以及所述第三阶段二维最大强度投影影像，按排列组合创建得到全部七组模型训练集；

使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型；

所述对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型，包括如下步骤：

使用统计软件在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型，所述脑血管堵塞识别模型的输出形式为诊断结果为正及诊断结果为负。

如图3所示，本发明提供的图像分割模块6分割方法如下：

S201，构建脑图库；将采集的患者脑影像存入脑图库中，将大脑CT影像刚体配准至标准空间；剔除颅骨，获得脑实质三维掩膜；通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据；对正中矢状面数据进行水平翻转，得到翻转后的对称影像，通过正中矢状面数据逐像素减去翻转后的对称影像的方式，得到大脑的左右侧对称参数图；

S202，对正中矢状面数据设置不同的窗宽窗位，得到多级窗宽窗位的影像数据；对正中矢状面数据进行手动标注，得到卷积神经网络的训练数据，以二维影像标注的方式标注出大脑实质区域的脑实质、脑脊液和卒中病灶，并得到每个二维影像是否存在卒中病灶的二值分类标签；

S203，构建分割卷积神经网络模型，将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型，以二维影像标注结果作为分割卷积神经网络模型的输出，得到训练好的分割模型；

S204，将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割，得到对应体素的脑实质、脑脊液和卒中病灶分割概率图，以及对应的二维影像是否存在卒中病灶的预测概率；根据预测概率的不同输出不同的分割结果。

本发明提供的根据预测概率的不同输出不同的分割结果具体包括：

当预测概率大于等于0.5时，将分割模型的卒中病灶分割概率图作为分割结果输出；

当预测概率小于0.5时，以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出。

本发明提供的通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据具体包括：

根据脑实质三维掩膜计算每层影像是脑实质体积，得到脑实质面积最大的影像层；

根据对应的脑实质三维掩膜得到非零像素的坐标矩阵；

计算横纵坐标均值向量机协方差矩阵；

根据协方差矩阵求解特征方程，得到特征值分别为拟合椭圆的半长轴和半短轴；

根据特征值计算椭圆长短轴特征向量；

通过反三角函数计算旋转角，根据非零像素坐标矩阵定位拟合椭圆长轴坐标；

通过长轴坐标和旋转角对三维影像进行旋转得到正中矢状面数据；

设置不同的窗宽窗位具体包括：分别采用(30，60)、(40，80)、(50,100)作为窗宽和窗位。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明工作时，首先，通过脑电波检测模块1检测患者脑电波数据；通过血压检测模块2检测患者血压数据；通过脑图像采集模块3采集患者脑CT图像数据；其次，中央控制模块4通过血管堵塞识别模块5对脑血管堵塞进行识别；通过图像分割模块6对脑CT图像进行分割；通过诊断模块7根据脑电波、血压、脑图像对脑卒中进行诊断；然后，通过评估模块8对患者脑卒中进行评估；最后，通过显示模块9显示脑电波、血压、脑图像、识别结果、诊断结果、评估结果。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

本发明通过血管堵塞识别模块实现了对脑血管堵塞的有效识别，进而为后续的手术或医疗流程提供了技术支持；同时，通过图像分割模块结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。