La isquemia cerebral tiene una alta tasa de morbilidad y discapacidad. El diagnóstico clínico se realiza principalmente mediante la revisión manual de imágenes de perfusión cerebral por parte de radiólogos para determinar si hay presencia de isquemia cerebral. El número de pacientes con isquemia cerebral ha aumentado drásticamente en los últimos años, lo que ha generado una gran carga de trabajo para los radiólogos. Con el fin de mejorar la eficiencia del diagnóstico, desarrollamos una red neuronal para segmentar las regiones de isquemia cerebral en imágenes de perfusión. Combinando el aprendizaje profundo con la tecnología de imágenes médicas, proponemos una red de segmentación, UTAC-Net, basada en U-Net y Transformer, que incluye un módulo consciente de contorno y un módulo de fusión de atención ramificada, para lograr una segmentación precisa de las regiones isquémicas cerebrales y una identificación correcta de las ubicaciones isquémicas. Los conjuntos de datos de isquemia cerebral son escasos, por lo que construimos un conjunto de datos relevante. Los resultados en el conjunto de datos autoconstruido muestran que UTAC-Net es superior a otras redes, con el mDice de UTAC-Net aumentando un 9.16% y el mIoU aumentando un 14.06% en comparación con U-Net. Los resultados de salida satisfacen las necesidades de diagnóstico asistido según lo juzgado por los radiólogos. Los experimentos han demostrado que nuestro algoritmo tiene una mayor precisión de segmentación que otros algoritmos y ayuda mejor a los radiólogos en el diagnóstico inicial, reduciendo así la carga de trabajo de los radiólogos y mejorando la eficiencia diagnóstica.