1.一种基于磁共振影像的卒中致残预测方法，其特征在于，包括：
获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像；
将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值；所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的；
由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差；
将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度；所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。
2.根据权利要求1所述的一种基于磁共振影像的卒中致残预测方法，其特征在于，所述训练好的大脑年龄预测模型的确定方法为：
获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄；
采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；
以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型；
采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。
3.根据权利要求1所述的一种基于磁共振影像的卒中致残预测方法，其特征在于，所述训练好的致残预测模型的确定方法为：
获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度；
采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；
以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型；
采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。
4.根据权利要求1所述的一种基于磁共振影像的卒中致残预测方法，其特征在于，在所述获取磁共振影像测试集之后，还包括：
对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。
5.一种基于磁共振影像的卒中致残预测系统，其特征在于，包括：
测试集获取模块，用于获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像；
大脑年龄预测模块，用于将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值；所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的；
大脑年龄差计算模块，用于由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差；
致残程度预测模块，用于将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度；所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。
6.根据权利要求5所述的一种基于磁共振影像的卒中致残预测系统，其特征在于，还包括：大脑年龄预测模型确定模块；所述大脑年龄预测模型确定模块具体包括：
第一训练数据获取单元，用于获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄；
第一模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；
第一训练单元，用于以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型；
第一验证单元，用于采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。
7.根据权利要求5所述的一种基于磁共振影像的卒中致残预测系统，其特征在于，还包括：致残预测模型确定模块；所述致残预测模型确定模块具体包括：
第二训练数据获取单元，用于获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度；
第二模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；
第二训练单元，用于以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型；
第二验证单元，用于采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。
8.根据权利要求5所述的一种基于磁共振影像的卒中致残预测系统，其特征在于，还包括预处理模块；
所述预处理模块，用于对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。