1.一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，其特征在于：所述方法包括如下步骤：

步骤一：输入口腔CBCT图像的超像素目标数目K，根据窗宽WW、窗位WL对像素CT值l进行初始化变换：步骤二：对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1]，其中e使用Canny算法未经非极大值抑制时的结果，将各像素点表示为一个四维向量pxy＝[l,e,x,y]，用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素；

步骤三：将K个超像素表征为图中的K个结点，根据超像素之间的邻接关系构建图的拓扑关系，若超像素Si在图像平面上与超像素Sk接壤，即两超像素的边缘像素之间有相邻像素对存在，则视为这两个超像素为直接邻居，为Sk分配真值标签其中gt为待分割前景部分的真值区域，||Sk||为超像素Sk内像素点的数目，||Sk∩gt||为超像素Sk和真值前景gt的交集内像素点数目，为阈值；

步骤四：提取超像素节点的统计特征，将每个超像素Sk的特征表示为一个8维的特征向量：其中 为超像素Sk的平均灰度值， 为超像素Sk的内部灰度值方差、 为超像素Sk的显著性、 为超像素Sk的形心横坐标、 为超像素Sk的形心纵坐标、xmin为超像素Sk的最小横坐标、ymin为超像素Sk的最小纵坐标、 为超像素Sk包含的像素数量， 为超像素Sl的平均灰度值；

步骤五：构建基于超像素的图注意力网络模型，图注意力模块采用L层，L>2，设置中间层为k1个注意力头、输出层为k2个注意力头，其中k1

步骤六：设置最大迭代步数、学习率和最小批数，用有标签的超像素节点图数据训练基于超像素的图注意力网络，采用5折交叉验证，直到损失函数Loss收敛或达到最大迭代步数；

步骤七：将口腔CBCT图像输入训练好的基于超像素的图注意力网络，预测超像素节点的类别，得到口腔CBCT图像分割结果。