1.一种基于深度学习的CBCT牙齿分割方法，其特征在于，该方法包括以下步骤：S1：利用对牙齿图像的先验知识对锥形束计算机断层扫描CBCT图像进行预处理，提取牙齿部分，得到感兴趣区域；

S2：通过深度残差网络ResNet和特征金字塔网络FPN对图像进行特征提取，得到特征图；

S3：使用注意力模型(Convolutional Block Attention Module,CBAM)对特征图先后进行空间和通道维度的压缩，从而对特征图进行重要性编码；

S4：使用生成候选区域网络RPN对特征图进行候选区域提取；

S5：使用ROI Align网络根据预选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图；

S6：对候选区域进行分类、分割、包围框回归以及分割评分。

2.根据权利要求1所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S1中，CBCT图像包括：牙齿图像和头骨信息；

对CBCT图像进行预处理，包括：利用牙齿先验知识，对图像进行裁剪，将CBCT扫描图片转换为jpg格式的图片。

3.根据权利要求1所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S2具体包括：使用ResNet网络的多个有参层来学习输入输出之间的残差表示；将ResNet网络中层次深的牙齿特征图，以及浅层的牙齿特征图应用到FPN网络中，并通过自底向上、自顶向下以及横向连接将这些特征图整合起来，得到牙齿图片最优的CNN特征组合集合，输出特征图。

4.根据权利要求1所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S3中，CBAM模型分为两部分：通道注意力模块(Channel attention module,CAM)和空间注意力模块(Spatial attention module,SAM)。

5.根据权利要求4所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S3中，将步骤S2得到的特征图F输入CBAM模型中，在CAM模块中对特征图F进行空间上的压缩，得到一个通道权重系数Mc，将这个系数Mc与特征图F相乘得到一个新的特征图F’，之后这个特征图F’进入SAM模块，对特征图F’进行一个通道上的压缩，得到一个空间权重系数Ms，这个系数Ms与特征图F’进行相乘得到一个修正过的特征图F”。

6.根据权利要求5所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S3具体包括：在CAM模块中对特征图F进行空间上的压缩，具体包括：使用最大池化MaxPool(F)和平均池化AvgPool(F)进行空间上的压缩，得到两个不同的空间描述： 和 使用由多层感知机MLP组成的共享网络对这两个不同的空间描述进行计算得到通道权重系数Mc，计算公式如下：

C/r×C C×C/r

其中，σ(·)表示sigmod函数，W1∈R ，W0∈R ，其中C是通道个数，r是还原比；

将得到的通道权重系数Mc与特征图F得到特征图F’，计算公式如下：其中， 代表元素乘法；

特征图F’进入SAM模块，对特征图F’使用最大池化和平均池化进行通道上的压缩，得到两个不同的空间描述： 和 被标准卷积层连接和卷积，产生二维空间权重系数Ms，计算公式如下：

7×7

其中，f 表示卷积大小为7×7的卷积运算；

将得到的空间权重系数Ms与特征图F’得到特征图F”，计算公式如下：其中，F”为经过通道注意力和空间注意力修正后的特征图。

7.根据权利要求5所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S4中，将经过步骤S3重要性编码的特征图F”输入RPN网络，该网络依靠一个在共享特征图上滑动的窗口，为每个位置生成K个预先设置好长宽比与面积的目标框anchor，初始目标框包含三种面积，每种面积包含三种长宽比1:1，1:2，2:1；其中，RPN网络的是一个树状结构，树干是一个3×3的卷积层，树枝是两个1×1的卷积层。

8.根据权利要求7所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S5中，将步骤S4的结果输入到ROIAlign网络中，先从牙齿原图ROI区域映射到牙齿特征图ROI，然后通过池化把提取区域的尺寸归一化成卷积网络输入的尺寸；ROIAlign从原图到特征图直接的ROI映射直接使用双线性插值；假设得到的浮点型坐标为(x，y)，取其周围最近的四个点，在Y方向内插两次，再在X方向内插一次，得到新的值，ROI的形状是不变化的。

9.根据权利要求8所述的基于深度学习的CBCT牙齿分割方法，其特征在于，步骤S6中，在分割时，对ROIAlign网络生成的固定尺寸的特征图，经过4个卷积操作；然后经过上采样；

最后通过卷积操作；

在分割评分时，使用MaskIoU得分的修正网络，回归预测牙齿蒙版和其地面真实蒙版之间的IoU；MaskIoU的输入由两部分组成，一是ROIAlign得到的RoI feature map，二是mask分支输出的mask；两者连接之后经过3层卷积和2层全连接输出MaskIoU。