1.一种基于图像确认脑部疾病方法，其特征在于，包括以下步骤：
S101：获取患者的多张脑部核磁共振MRI图像；
S103：将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像；
S105：基于所述第一局部特征图像提取患者的脑血管图像的特征；
S107：基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
S109：基于所述匹配结果确认相应的疾病类型；
其中所述神经网络分解模型由U-Net组成，包括下采样单元、上采样单元和softmax层，其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成；
在步骤S103将图像数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理，Batch Norm层的操作包括如下步骤：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
S1031：先求出上述批量数据β＝x1→m的平均值，即![]()
S1033：再根据平均值求出所述批量数据的方差，即
S1035：再根据平均值和方差对所述批量数据进行归一化处理，得到![]()
其中∈为1e-6；
S1037：最后引入缩放变量和平移变量，并计算归一化后的值，即![]()
所述图像数据经过Batch Norm层的处理后，再通过Relu激活层进行处理，用于增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间；
其中在对MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量；
其中在步骤S105基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还包括构建特征空间，用于计算所述多张脑部MRI图像的极值点，包括：
L(x,y,σ)＝G(x,y,σ)×I(x,y)
其中L(x,y,σ)是模糊的图像，G(x,y,σ)是高斯模糊算子，I(x,y)是原始图像，(x,y)是特征空间位置坐标，σ为空间参数，也是高斯模糊算子的方差；
特征空间的构建和高斯差分的计算主要用于确定图像的极值点，首先粗略的计算图像的极大值和极小值，确保每一个极值点不仅是二维图像空间中的极值点，也是特征空间中的极值点；将可用的像素生成子像素值，然后进行泰勒展开；构建尺度空间保证了特征提取的稳定性和独立性。
2.如权利要求1所述的一种基于图像确认脑部疾病方法，其特征在于，其中所述卷积层通过对图像进行卷积操作从中提取相应的特征，所述下采样单元可对图像逐级进行卷积操作提取下采样中间特征。
3.一种基于图像确认脑部疾病系统，其包括：
图像获取模块，获取患者的多张脑部核磁共振MRI图像；
特征提取模块，将所述多张脑部MRI图像输入神经网络分解模型以提取第一局部特征图像，并基于所述第一局部特征图像提取所述患者的脑血管图像的特征；
在基于所述第一局部特征图像提取所述患者的脑血管图像的特征之前，还需要构建特征空间，用于计算所述多张脑部MRI图像的极值点，包括：
L(x,y,σ)＝G(x,y,σ)×I(x,y)
其中L(x,y,σ)是模糊的图像，G(x,y,σ)是高斯模糊算子，I(x,y)是原始图像，(x,y)是特征空间位置坐标，σ为空间参数，也是高斯模糊算子的方差；
特征空间的构建和高斯差分的计算主要用于确定图像的极值点，首先粗略的计算图像的极大值和极小值，确保每一个极值点不仅是二维图像空间中的极值点，也是特征空间中的极值点；将可用的像素生成子像素值，然后进行泰勒展开；构建尺度空间保证了特征提取的稳定性和独立性；
其中所述神经网络分解模型由U-Net组成，包括下采样单元、上采样单元和softmax层，其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成；
在步骤S103将图像数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理，Batch Norm层的操作包括如下步骤：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
S1031：先求出上述批量数据β＝x1→m的平均值，即![]()
S1033：再根据平均值求出所述批量数据的方差，即
S1035：再根据平均值和方差对所述批量数据进行归一化处理，得到![]()
其中∈为1e-6；
S1037：最后引入缩放变量和平移变量，并计算归一化后的值，即![]()
所述图像数据经过Batch Norm层的处理后，再通过Relu激活层进行处理，用于增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间；
其中在对MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量；
匹配模块，基于所述脑血管图像的特征在病灶特征数据库中匹配相似的病例，并输出匹配结果；
疾病确认模块，基于所述匹配结果确认相应的疾病类型。
