1.一种医学图像下牙槽神经损伤风险自动评估方法，其特征是，包括以下步骤：获取训练集，所述训练集包括CBCT图像和曲面断层片图像；

对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；

利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注；

对训练集图像进行数据增强的方式进行扩充；

获取多分辨率目标检测模型，所述多分辨率目标检测模型是基于卷积神经网络模型构建获得；

将扩充的训练集数据作为输入，训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置，并检测两者的接触关系；

当获得新的X射线头影图像时，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置，并预测下颌阻生智齿与下牙槽神经管的接触关系；

使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系；

所述多分辨率目标检测模型的结构分为三部分，分别为骨架、多重采样端以及多分辨率输出端，其中，所述骨架由一个聚焦层，S1个卷积层、S2个CSP‑1模块、一个SPP模块与一个CSP‑2模块连接而成，每层卷积层均需要经过批量归一化和Leaky Relu激活函数，所述多重采样端由三层特征金字塔网络和三层金字塔注意力网络并行连接而成，最终每一层后连接一层卷积层，其三个特征图作为最终的模型输出，再对多分辨率目标检测模型进行训练，其总损失函数Ltotal包括检测框损失Lbox、目标损失Lobj和分类损失Lcls：Ltotal＝Lbox+Lobj+Lcls (1)

其中Lbox为GIOU损失，记Blabel为标注检测框，Bpred为预测检测框，C为Blabel和Bpred的最小包围框；则GIOU和Lbox为：Lbox＝1‑GIOU (3)

其中Lobj与Lcls为BCELogit损失函数 记N是小批量中的样本数，y∈[0,1]表示输入的标签数据， 是多分辨率目标检测模型输出，sigmoid为激活函数，公式如下：

2.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，对训练集图像进行数据增强的方式包括：线性亮度变换、随机噪声干扰、图像小角度旋转、图像翻转、图像融合和/或马赛克增强。

3.根据权利要求2所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断包括：利用CBCT图像的原始数据结合NewTom系统软件，通过横断面、冠状面图像评估牙根与下牙槽神经管的三维空间关系、观察两者是否接触、下牙槽神经管皮质骨是否完整，由此判断下颌阻生智齿与神经管的接触关系。

4.根据权利要求3所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注包括：将曲面断层片ROI的标注分为两个部分，分别是：

ROI‑1:包含下颌第一、二、三磨牙所在的下颌体及升支区域，具体为：上缘：下颌磨牙合面最高点；前缘：下颌第一磨牙最近中点；后缘：下颌升支后缘；下缘：下颌体部下缘；

ROI‑2:包含下颌智齿及其下方的下颌管，具体为：上缘：下颌智齿最高点；前缘：下颌智齿牙冠最前点；后缘：上缘标记线与下颌管下缘的交点；下缘：前缘标记线与下颌管下缘的交点；

记Ri为图像第i个ROI，提取图像中所有Ri的中心点坐标(xi,yi)与宽高(wi,hi)作为检测框标注，将下颌阻生智齿与下牙槽神经管的接触关系作为分类标注。

5.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置包括：根据训练完成的多分辨率目标检测模型，输入新获取的测试图像，设测试图像为I，检测到图像I中含有数量为n的检测框为

6.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系包括：采用非极大值抑制算法确定所有的目标的检测框，再遍历计算所有检测框中心点{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)}两两之间的L2范数距离 当距离d小于特定阈值t时，取两个检测框之间置信度较高的一个，保证同一个位置不会出现两个检测框，由此遍历完所有的检测框之后，得到最终的检测结果。

7.一种医学图像下牙槽神经损伤风险自动评估装置，其特征是，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～6任一项所述方法的步骤。

8.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～6任一项所述方法的步骤。