1.一种基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述方法包括以下步骤：

步骤S1、获取牙齿全景片，对每张全景片进行图像增强操作，并将原始全景片与增强后的全景片组合在一起，作为模型输入I；

步骤S2、将全景片I输入至五层级联特征提取模块，得到一、二层生成的特征图F1、F2，以及经过五层时所生成的特征图Fdeep_orig；

步骤S3、将得到的特征图F1、F2输入至边缘指导模块，得到边缘分割结果Fedge；

步骤S4、将得到的特征图Fdeep_orig输入至多尺度融合模块，得到特征图Fdeep；

步骤S5、将特征图Fdeep输入至级联特征提取模块和权重聚合模块，得到龋齿图像的区域分割结果Farea；

步骤S6、将边缘分割结果Fedge和区域分割结果Farea进行融合，得到最终的龋齿分割结果Fout。

2.如权利要求1所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S1中，对每张全景片进行图像增强操作包括水平翻转、垂直翻转、随机旋转和仿射变换。

3.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S2中，将全景片I输入至五层级联特征提取模块，得到一、二层生成的特征图F1、F2，以及经过五层时所生成的特征图Fdeep_orig，过程如下：步骤2.1、将全景片I输入至第一层级联特征提取模块，并进行最大池化，得到输出特征图F1，其维度大小为C1 X H1 X W1；

步骤2.2、将特征图F1进行最大池化，然后输入至第二层级联特征提取模块，得到输出特征图F2，其维度大小为C2 X H2 X W2；

步骤2.3、将特征图F2进行最大池化，然后输入至第三层级联特征提取模块，得到输出特征图F3，其维度大小为C3 X H3 X W3；

步骤2.4、将特征图F3进行最大池化，然后输入至第四层级联特征提取模块，得到输出特征图F4，其维度大小为C4 X H4 X W4；

步骤2.5、将特征图F4进行最大池化，然后输入至第五层级联特征提取模块，得到输出特征图Fdeep_orig，其维度大小为C5 X H5 X W5。

4.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S3中，将步骤2)得到的特征图F1、F2输入至边缘指导模块，得到边缘分割结果Fedge，过程如下：

步骤3.1、将特征图F1输入至两个大小为1x1和3x3的卷积核，得到特征图Fedge1，其维度大小为C1 X H1 X W1；

步骤3.2、将特征图F2进行上采样，之后输入至两个大小为1x1和3x3的卷积核，得到特征图Fedge2，其维度大小与Fedge1一致；

步骤3.3、将特征图Fedge1和Fedge2按通道进行拼接，拼接后的通道数为2 X C1，之后输入至大小为1x1的卷积核，得到边缘输出Fedge，其维度大小为C1 X H1 X W1。

5.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S4中，将得到的特征图Fdeep_orig输入至多尺度融合模块，得到特征图Fdeep，过程如下：

步骤4.1、将特征图Fdeep_orig输入至卷积核大小为3X3的卷积块，得到特征图Fdeep_1，其维度大小为C5 X H5 X W5；

步骤4.2、将特征图Fdeep_orig先后输入至卷积核大小为3X3、1X1的卷积块，得到特征图Fdeep_2，其维度大小为C5 X H5 X W5；

步骤4.3、将特征图Fdeep_orig先后输入至卷积核大小为3X3、3X3、1X1的卷积块，得到特征图Fdeep_3，其维度大小为C5 X H5 X W5；

步骤4.4、将特征图Fdeep_orig先后输入至卷积核大小为3X3、3X3、3X3、1X1的卷积块，得到特征图Fdeep_4，其维度大小为C5 X H5 X W5；

步骤4.5、将上述四个步骤中得到的特征图进行相加，得到特征图Fdeep，其维度大小为C5 X H5 X W5。

6.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S5中，将特征图Fdeep输入至级联特征提取模块和权重聚合模块，得到龋齿图像的区域分割结果Farea，过程如下：步骤5.1、将特征图Fdeep进行反卷积，之后和特征图F4按通道进行拼接，得到通道数为2 X C4的特征图，将其输入至级联特征提取模块，得到特征图Fup1，其维度大小为C4 X H4 X W4；

步骤5.2、将特征图Fup1进行反卷积，之后和特征图F3按通道进行拼接，得到通道数为2 X C3的特征图，将其输入至级联特征提取模块，得到特征图Fup2，其维度大小为C3 X H3 X W3；

步骤5.3、将特征图Fup2进行反卷积，之后和特征图F2按通道进行拼接，得到通道数为2 X C2的特征图，将其输入至级联特征提取模块，得到特征图Fup3，其维度大小为C2 X H2 X W2；

步骤5.4、将特征图Fup3进行反卷积，之后和特征图F1按通道进行拼接，得到通道数为2 X C1的特征图，将其输入至级联特征提取模块，得到特征图Fup4，其维度大小为C1 X H1 X W1；

步骤5.5、将特征图Fup2传入权重聚合模块，然后将输出进行上采样，得到特征图Farea1，其维度大小为C2 X H2 X W2；

步骤5.6、将特征图Fup3传入权重聚合模块，然后将输出与特征图Farea1进行相加，得到特征图Farea2，其维度大小为C2 X H2 X W2；

步骤5.7、将特征图Fup4传入权重聚合模块，得到特征图Farea3，其维度大小为C1 X H1 X W1，然后将特征图Farea2进行上采样，其维度大小为C1 X H1 X W1；

步骤5.8、将特征图Farea2和Farea3进行相加，得到特征图Farea，其维度大小为C1 X H1 X W1。

7.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述步骤S6中，将边缘分割结果Fedge和区域分割结果Farea按通道进行拼接，通道大小为2 X C1，进行上采样后再经过两个1X1、3X3的卷积核，得到输出特征图Fout，其维度为C0 X H0 X W0，将Fout中每一通道的像素点均用如下公式进行激活，得到Fout上每个像素点属于龋齿区域的概率，将其乘以255得到最终龋齿的分割结果：

8.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述级联特征提取模块，包括两组级联的卷积核大小为3X3的卷积层、批处理标准化层和激活层。

9.如权利要求1或2所述的基于边缘指导和多尺度融合的全景片龋齿分割方法，其特征在于，所述权重聚合模块，包括将输入特征图进行全局平局池化、1x1卷积、激活得到权重系数，然后将权重系数与输入特征图相乘得到输出特征图。