1.一种牙齿全景片中疾病识别与分割方法，其特征在于，所述牙齿全景片中疾病识别与分割方法，包括：将牙齿全景片样本Ioriginal输入已构建且训练后的第一网络Uteacher中，得到第一疾病分T T类预测向量logits以及第一特征图列表Feats；

将牙齿全景片样本Ioriginal输入已构建的第二网络Ustudent中，得到第二特征图列表SFeats、当前疾病分类结果 和当前病灶分割结果T S

将第一特征图列表Feats 和第二特征图列表Feats进行深度特征提炼，得到深度特征提炼损失Lfeat；

T

将第一疾病分类预测向量logits 和当前疾病分类结果 进行标签软化，得到软化标签损失Lsoft；

T S

将第一特征图列表Feats 中的前两张特征图 和第二特征图列表Feats中的前两张特征图 进行边缘特征提炼，得到边缘提炼损失Ledge；

将病灶分割标签Labelseg和当前病灶分割结果 进行交叉熵计算得到病灶分割损失Lseg，将疾病分类标签Labelclassify和当前疾病分类结果 进行交叉熵计算得到疾病分类损失Lhard；

将Lsoft、Lfeat、Ledge、Lseg、Lhard五种损失函数加权求和，得到总的损失函数Ltotal，将Ltotal进行反向传播，迭代更新第二网络Ustudent内的参数，直至第二网络Ustudent收敛；

将待检测牙齿全景片输入至已训练完成的第二网络Ustudent中，得到疾病分类结果和病灶分割结果。

2.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述第一网络Uteacher包括一个共享编码器 N个解码器 和一个全连接层N是疾病种类数；

所述共享编码器 由一个卷积操作和四个残差模块组成；所述 由3个残差块组成，每个残差块由2组串行的卷积操作、批量归一操作、激活操作组成，所述 由4个残差块组成，每个残差块由2组串行的卷积操作、批量归一操作、激活操作组成，所述 由6个残差块组成，每个残差块由2组串行的卷积操作、批量归一操作、激活操作组成，所述 由3个残差块组成，每个残差块由2组串行的卷积操作、批量归一操作、激活操作组成；

所述解码器 由四个卷积块 组成，其中每个卷积块包含两个卷积操作。

3.根据权利要求2所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将牙齿全景片样本Ioriginal输入已构建且训练后的第一网络Uteacher中，得到第一疾病分类预测向量T Tlogits以及第一特征图列表Feats，包括：将牙齿全景片样本Ioriginal经过共享编码器 的卷积操作，得到特征图特征图 池化后经过残差模块 得到特征图特征图 经过残差模块 得到特征图特征图 经过残差模块 得到特征图特征图 经过残差模块 得到特征图T

特征图 经过平均池化后输入至N维全连接层 得到预测向量logits；

特征图 经过卷积块 后得到特征图特征图 经过卷积块 后得到特征图特征图 经过卷积块 后得到特征图特征图 经过卷积块 后得到特征图将特征图 和 这8张特征图组合成列表，T

得到第一特征图列表Feats。

4.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述第二网络Ustudent包括一个编码器 一个解码器 一个卷积块 和一个全卷积层所述编码器 包含4个卷积块 每个卷积块由2组串行的卷积操作、批量归一化操作、激活操作组成，所述解码器 包含4个卷积块每个卷积块由2组串行的卷积操作、批量归一操作、激活操作组成，全卷积层由一个卷积操作组成。

5.根据权利要求4所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将牙齿S全景片样本Ioriginal输入已构建的第二网络Ustudent中，得到第二特征图列表Feats 、当前疾病分类结果 和当前病灶分割结果 包括：将牙齿全景片样本Ioriginal经过编码器 的卷积块 得到输出特征图特征图 池化后经过卷积块 得到特征图特征图 池化后经过卷积块 得到特征图特征图 池化后经过卷积块 得到特征图特征图 池化后经过卷积 得到特征图S

特征图 平均池化后输入至N维全连接层 得到预测向量logits，全连接层维度由疾病种类N决定；

S

将logits输入softmax函数，得到当前疾病分类结果 softmax函数表达式如下；

S

zi是预测向量logits 中的元素值，qi是zi经过softmax函数后得到的对应结果，qi组合成N维向量得到将特征图 进行上采样后和 进行特征拼接，再经过 中的卷积块 后得到特征图

将特征图 进行上采样后和 进行特征拼接，再经过 中的卷积块 后得到特征图

将特征图 进行上采样后和 进行特征拼接，再经过 中的卷积块 后得到特征图

将特征图 输入 中的卷积块 得到特征图 对 的每一通道均用sigmoid函数进行激活，得到 上每个像素点属于病灶区域的概率，将其乘以255得到当前病灶的分割结果将特征图 和 这8张特征图组合成列表，得S

到第二特征图列表Feats。

6.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将第一T S特征图列表Feats 和第二特征图列表Feats 进行深度特征提炼，得到深度特征提炼损失Lfeat，包括：T

步骤3.1、计算Feats特征图列表长度，得到列表长度Length，根据Length进行循环，其中第i次循环操作如下，i∈Length：T

从Feats中获取第i张特征图 经过margin ReLU函数得到 margin ReLU函数定义如下：

是一个小于0的数，定义是负响应的逐通道期望值，计算方法如下：j

表示 中的通道数 Pi表示特征图 每一个通道中的像素点；

S

步骤3.2、从Feats 中获取第i张特征图 经过一个卷积操作得到 计算和 的 距离，将计算得到的 距离进行叠加得到总体深度特征提炼损失L′total，距离和L′ftotal计算公式如下：步骤3.3、循环结束后将总体深度特征提炼损失L′ftotal除以列表长度Length，得到深度特征提炼损失Lfeat，Lfeat计算公式如下：

7.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将第一T疾病分类预测向量logits 和当前疾病分类结果 进行标签软化，得到软化标签损失Lsoft，包括：

T

步骤4.1、将预测向量logits经过标签软化函数，得到软化标签Labelsoft，标签软化函数如下：T

zi是预测向量logits 中的元素值，T是设定的温度值，用来缩小不同疾病间标签的差距， 是zi经过标签软化函数后得到的对应结果， 组合成N维向量得到软化标签Labelsoft；

步骤4.2、将当前疾病分类结果 和软化标签Labelsoft进行交叉熵损失计算，得到软化损失Lsoft，Lsoft计算公式如下；

8.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将第一T S特征图列表Feats中的前两张特征图 和第二特征图列表Feats中的前两张特征图进行边缘特征提炼，得到边缘提炼损失Ledge，包括：T

步骤5.1、将Feats中的前两张特征图 和 分别进行两个卷积操作，得到特征图和特征图

步骤5.2、将特征图 和特征图 融合，得到边缘特征图S

步骤5.3、将Feats中的前两张特征图 和 分别经过两个卷积操作，得到特征图和特征图

步骤5.4、将特征图 和特征图 融合，得到边缘特征图步骤5.5、将边缘特征图 和边缘分割图 进行交叉熵计算，得到边缘提炼损失Ledge，Ledge计算公式如下：

9.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将病灶分割标签Labelseg和当前病灶分割结果 进行交叉熵计算得到病灶分割损失Lseg，将疾病分类标签Labelclassify和当前疾病分类结果 进行交叉熵计算得到疾病分类损失Lhard，包括：

步骤6.1、将疾病分割标签Labelseg和当前病灶分割结果 进行交叉熵计算，得到分割损失Lseg，计算公式如下：步骤6.2、将疾病分类标签Labelclassify和当前疾病分类结果 进行交叉熵函数计算，得到分类损失Lhard，计算公式如下：

10.根据权利要求1所述的牙齿全景片中疾病识别与分割方法，其特征在于，所述将Lsoft、Lfeat、Ledge、Lseg、Lhard，五种损失函数加权求和，得到总的损失函数Ltotal，将Ltotal进行反向传播，迭代更新第二网络Ustudent内的参数，直至第二网络Ustudent收敛，包括：步骤7.1、将Lsoft、Lfeat、Ledge、Lseg、Lhard，五种损失函数加权求和，得到总的损失函数Ltotal；

Ltotal＝αLsoft+βLhard+γLfeat+δLseg+εLedge；

步骤7.2、将Ltotal进行反向传播，迭代更新Ustudent内的参数。